直接生成16秒高清视频 我国自研视频大模型在京发布

只需一段文字指令就能生成一段逼真视频，今年初，文生视频大模型Sora在全球人工智能业内外引发广泛关注。27日，2024中关村论坛年会上首次发布我国自研的具“长时长、高一致性、高动态性”特点的文生视频大模型Vidu。

　　记者从会上获悉，这一视频大模型由清华大学联合北京生数科技有限公司共同研发，可根据文本描述直接生成长达16秒、分辨率高达1080P的高清视频内容，不仅能模拟真实物理世界，还拥有丰富想象力。

　　清华大学人工智能研究院副院长、生数科技首席科学家朱军说，当前国内视频大模型的生成视频时长大多为4秒左右，Vidu则可实现一次性生成16秒的视频时长。同时，视频画面能保持连贯流畅，随着镜头移动，人物和场景在时间、空间中能保持高一致性。

　　在动态性方面，Vidu能生成复杂的动态镜头，不再局限于简单的推、拉、移等固定镜头，而是能在一段画面里实现远景、近景、中景、特写等不同镜头的切换，包括能直接生成长镜头、追焦、转场等效果。

　　“Vidu能模拟真实物理世界，生成细节复杂且符合物理规律的场景，例如合理的光影效果、细腻的人物表情等，还能创造出具有深度和复杂性的超现实主义内容。”朱军介绍，由于采用“一步到位”的生成方式，视频片段从头到尾连续生成，没有明显的插帧现象。

　　此外，Vidu还可生成如熊猫、龙等形象。

　　据悉，Vidu的技术突破源于团队在机器学习和多模态大模型方面的长期积累，其核心技术架构由团队早在2022年就提出并持续开展自主研发。“作为一款通用视觉模型，我们相信，Vidu未来能支持生成更加多样化、更长时长的视频内容，探索不同的生成任务，其灵活架构也将兼容更广泛的模态，进一步拓展多模态通用能力的边界。”朱军说。

(　)【　】(　)【　】(作)【zuo】(为)【wei】(全)【quan】(国)【guo】(首)【shou】(列)【lie】(对)【dui】(俄)【e】(国)【guo】(际)【ji】(货)【huo】(运)【yun】(班)【ban】(列)【lie】(，)【，】(2)【2】(0)【0】(2)【2】(3)【3】(年)【nian】(1)【1】(-)【-】(1)【1】(0)【0】(月)【yue】(，)【，】(哈)【ha】(俄)【e】(班)【ban】(列)【lie】(开)【kai】(行)【xing】(9)【9】(3)【3】(列)【lie】(、)【、】(发)【fa】(运)【yun】(货)【huo】(物)【wu】(9)【9】(1)【1】(0)【0】(4)【4】(标)【biao】(箱)【xiang】(，)【，】(货)【huo】(值)【zhi】(1)【1】(.)【.】(5)【5】(3)【3】(亿)【yi】(美)【mei】(元)【yuan】(，)【，】(同)【tong】(比)【bi】(增)【zeng】(长)【chang】(2)【2】(%)【%】(。)【。】樱花(SAKURA)JSQ30-Q211A-价廉物美,服务好,棒棒哒!-国美。