这段视频火爆外网，谷歌把AI视频造假搞得太真太简单了

金磊 Pine 发自 凹非寺量子位 | 公众号 QbitAI

家人们，AI做视频这事今天又被推向了舆论的风口浪尖。

起因是有人在网上发布了这么一只小企鹅的视频：

而这个近50秒视频的诞生，靠的仅仅是6句话！

陆陆续续的，网友们还在发布着这个AI的其它杰作：

这次给它投喂的提示词也是极短，仅4行：

如此“所写即所得”、丝滑连贯的视频生成方式，也是令不少网友发出感慨：

未来已至。

甚至还有人开始“拉仇恨”，说AI正在用各种方式摧毁行业……

然后就有很多人发问了：“这又是哪家新搞的AI哇？”

不过眼尖的网友发现它其实是一位“老朋友”了——

谷歌去年10月份便发布的一个文本转视频（Text-to-Video）模型：Phenaki。

只需一段提示词，分分钟可以生成长达两分钟的视频。

而相比Phenaki刚发布的时候，谷歌又来了一波上新操作。

那么我们现在就来一同看看这些新视频吧~

与以往AI生成的视频不同，Phenaki最大的特点便是有故事、有长度。

例如，我们再给这么一段场景描述：

在一座未来感十足的城市里，交通纷繁复杂，这时，一艘外星飞船抵达了城市。

随着镜头的拉近，画面进入到了飞船内部；而后镜头沿着船内长廊继续向前推进，直到看到一名宇航员在蓝色的房间里敲键盘打字。

镜头逐渐移向宇航员的左侧，身后出现蓝色海洋，鱼儿们在水里徜徉；画面快速放大聚焦到一条鱼的身上。

随后镜头快速从海里浮出，直到看到摩天大楼高耸林立的未来城市；镜头再快速拉近到一撞大楼的办公室。

这时，一只狮子突然跳到办公桌上并开始奔跑；镜头先聚焦到狮子的脸上，等再次拉远时，这只狮子已经幻化成西装革履的“兽人”。

最后，镜头从办公室拉出，落日余晖下鸟瞰这座城市。

想必不少友友们在读这段文字过程中，脑中已经浮现相应的画面了。

接下来，我们一起看看Phenaki生成的效果如何：

是不是和你脑补出来的画面一致呢？

总体来说，这个AI即便面对这种脑洞大开的场景提示词，也是做到了无缝衔接的转场。

也难怪网友们看完这段视频后惊呼“（科技）发展得真快啊”。

而对于篇幅稍短的提示词，Phenaki就更不在话下了。

例如，给Phenaki投喂这样一段文字：

一只逼真的泰迪熊正在潜水；随后它慢慢浮出水面；走上沙滩；这时镜头拉远，泰迪熊行走在海滩边篝火旁。

没看够？那再来一段，这次换个主角：

在火星上，宇航员走过一个水坑，水里倒映着他的侧影；他在水旁起舞；然后宇航员开始遛狗；最后他和小狗一起看火星上看烟花。

而在谷歌更早发布Phenaki之际，还展示了向Phenaki输入一个初始帧以及一个提示词，便可以生成一段视频的能力。

例如给定这样一张静态图：

然后再给它Phenaki简单“投喂”一句：白猫用猫爪触摸摄像机。效果就出来了：

还是基于这张图，把提示词改成“一只白猫打哈欠”，效果就成这样了：

当然，任意切换视频整体风格也是可以hold得住的：

但除了Phenaki之外，谷歌当时还一道发布过Imagen Video，能够生成1280*768分辨率、每秒24帧的高清视频片段。

它基于图像生成SOTA模型Imagen，展示出了三种特别的能力：

• 能理解并生成不同艺术风格的作品，水彩、像素甚至梵高风格

• 能理解物体的3D结构

• 继承了Imagen准确描绘文字的能力

更早的，Meta也发布了Make-A-Video，不仅能够通过文字转换视频，还能根据图像生成视频，比如：

• 将静态图像转成视频

• 插帧：根据前后两张图片生成一段视频

• 根据原视频生成新视频……

对于这如“雨后春笋”突然冒出的生成视频模型，不免会让有些人担心：

当然也有人认为现在时机还未到：

0-1总会很快，1-100还是会很漫长。

不过已经有网友在期待靠AI拿奥斯卡奖了：

AI要多久才能成为新的视频编辑器，或者拿下奥斯卡？

再说回Phenaki，有不少网友都比较好奇它是如何通过文字生成这么丝滑的视频的？

简单来说，Phenaki相较于以往的生成视频模型，它更注重时间长度任意性和连贯性。

Phenaki之所以能够生成任意时间长度的视频，很大程度上要归功于新的编码器-解码器架构：C-ViViT。

它是ViViT的一个因果变体，能够将视频压缩为离散嵌入。

要知道，以往获取视频压缩，要么就是编码器不能及时压缩视频，导致最终生成的视频过短，例如VQ-GAN，要么就是编码器只支持固定视频长度，最终生成视频的长度不能任意调节，例如VideoVQVAE。

但C-ViViT就不一样了，它可谓是兼顾了上面两种架构的优点，能够在时间和空间维度上压缩视频，并且在时间上保持自回归的同时，还可以自回归生成任意长度的视频。

C-ViViT可以使模型生成任意长度的视频，那最终视频的逻辑性又是怎么保证的呢？

这就得靠Phenaki另外一个比较重要的部分：双向Transformer。

在这其中，为节省时间，采样步骤是固定的，并且在处理文本提示的过程中，能同时预测不同的视频token。

这样一来，结合前面提到的，C-ViViT能够在时间和空间维度上压缩视频，压缩出来的token是具有时间逻辑性的。

也就是说，在这些token上经过掩码训练的Transformer也具备时间逻辑性，最终生成的视频在连贯性自然也就有了保证。

如果还想了解更多关于Phenaki的东西，可以戳这里查看。

Phenaki：https://phenaki.github.io

参考链接：[1] https://phenaki.video/[2] https://phenaki.research.google/[3] https://twitter.com/AiBreakfast/status/1614647018554822658[4] https://twitter.com/EvanKirstel/status/1614676882758275072