萧箫 发自 凹非寺
量子位 | 公众号 QbitAI
可生成1024×576高清分辨率视频的大模型，开源了！
无论是在海草间游动的小鱼：
还是精细到眼珠子的神秘克苏鲁图像：
全部以前所未有的清晰感呈现出来，让网友直呼“san值狂掉”。
这个视频生成模型开源即爆火，不仅在推特和Reddit上收获一众热度，就连前特斯拉AI总监Andrej Karpathy也来围观了一波：
现在，Hugging Face工程师已经搞出了试玩demo，不少网友直接线上开炫，例如生成《星球大战》达斯·维德在水上冲浪的珍贵影像：
效果看起来也不错，所以它究竟是怎么训练的？
基于17亿参数大模型改造
Zeroscope的“原型”，是达摩院ModelScope（魔搭）社区开源的17亿参数文生视频大模型。
这一版大模型由文本特征提取、文本特征到视频隐空间扩散模型、视频隐空间到视频视觉空间3个子网络组成。
其中，扩散模型采用Unet3D结构，通过从纯高斯噪声视频中迭代去噪过程，最终实现视频生成。
不过在ModelScope社区中开源的这版大模型，生成视频的效果还不能说是高清：
为此，ZeroScope设计了两个阶段，先通过文生视频、再通过视频生视频提升分辨率，最终生成1024×576分辨率的视频：
第一步，文生视频，基于ZeroScope_v2_576w来生成576×320分辨率的视频；
第二步，视频生视频，基于ZeroScope_v2_XL来生成1024×576分辨率的视频片段。
训练上，ZeroScope采用了9923个1024×576分辨率的视频片段，每个片段包含24帧画面，其中有3帧被打上标记，加起来一个是29769个标记帧（tagged frames）。
不过，生成高清视频，需要的硬件要求也会更高一些。
要想生成576×320分辨率、帧率30的视频，至少需要7.9GB的VRam（显存的一种）；如果要生成1024×576分辨率、帧率30的视频，则至少需要15.3GB的VRam。
有网友感到高兴：
又一个足以与Gen-2竞争的文生视频模型出现了！
甚至有网友认为，这个模型的出现已经说明，人们没必要为了Runway搞出来的Gen-2付钱了，毕竟后者效果也没有那么好。
无论如何，文生视频AI领域的“新搅局者”都已经出现。
在线试玩Demo已出
模型一开源，Hugging Face上就已经出现了试玩Demo。
这里我们试着生成“和爱因斯坦打高尔夫球”。
效果还不错，虽然不知道为什么爱因斯坦打着打着蹲下了（手动狗头）
从提示词类型来看，不仅可以输入比较精细的描述：
例如“一个男人在行驶的火车上睡觉，窗外物体飞速移动”（A man is sleeping in his seat, inside a train running, background behind the window is moving fast）
也可以只输入简单的一句话，像是“巨型皮卡丘大战哥斯拉”（Giant Pikachu versus Godzilla fight）
除此之外，也有不少网友分享了自己的作品。
例如这是“爱因斯坦大笑着开星球大战里的飞梭赛车”：
还有网友@Callimiya生成了“达斯维德在课室跳舞”的神奇视频，似乎还有小孩子在陪他一起跳：
不过，由于试玩人数比较多，导致它有时会出bug。这时候只要不停地提交，还是可以冲进队列中的。
当然，如果你觉得这一版的Demo可控性不够好，还可以尝试另一版，无论是seed （便于生成相似内容）还是推理次数都可手动调整：
怎么样，想好用它生成什么新视频了吗？
简单版试玩：
https://huggingface.co/spaces/fffiloni/zeroscope
可控版进阶试玩：
https://huggingface.co/spaces/hysts/zeroscope-v2
参考链接：
[1]https://twitter.com/_akhaliq/status/1672650155743408133
[2]https://www.reddit.com/r/aivideo/comments/14hbiql/announcing_zeroscope_v2_xl_a_new_1024x576_video/
[3]https://twitter.com/fffiloni/status/1673644193967747072