對標(biāo)Sora？國產(chǎn)公司推文生視頻工具Etna 能生成15秒4K視頻

　　隨著國產(chǎn)公司推出的AI視頻技術(shù)的崛起，短劇市場迎來了新的變革。七火山公司在國內(nèi)率先復(fù)現(xiàn)了Sora的成果，并通過Etna模型等創(chuàng)新技術(shù)取得了重大突破。

　　Etna模型采用了Diffusion Transformer處理視頻數(shù)據(jù)，實現(xiàn)了15秒4K60幀的超高清晰度，同時具備了時空理解能力和深度語義理解能力。

　　從上圖可以看出，相較于市場上的現(xiàn)有模型，Etna在時長、高清晰度、豐富生動細(xì)節(jié)和強語義理解上，都保持著較大優(yōu)勢。

　　為什么七火山能成為國內(nèi)率先復(fù)現(xiàn)出Sora的公司?Sora的關(guān)鍵創(chuàng)新，是一個可以靈活地處理不同維度數(shù)據(jù)的Diffusion Transformer。時空壓縮器會把原始視頻轉(zhuǎn)映射到潛空間中，視覺Transformer(ViT)模型會對已經(jīng)被分詞的潛表征進行處理，并輸出去除噪聲后的潛表征。

　　一個與CLIP模型類似的系統(tǒng)根據(jù)用戶的指令(已經(jīng)通過大語言模型進行了增強)和潛視覺提示，引導(dǎo)擴散模型生成具有特定風(fēng)格或主題的視頻。經(jīng)過多次去噪處理之后，會得到生成視頻的潛表征，然后通過相應(yīng)的解碼器映射回像素空間。

　　在相關(guān)領(lǐng)域技術(shù)積累的基礎(chǔ)上，Etna模型迅速抓住了Sora的精髓，另外還引入了幾項創(chuàng)新。技術(shù)架構(gòu)創(chuàng)新主要是針對視頻的時空特性提出的挑戰(zhàn)，如何從空間和時間上將視頻壓縮到潛空間，以實現(xiàn)高效去噪，如何將壓縮潛空間轉(zhuǎn)換為patches，并將其輸入到Transformer中，以及如何處理長距離的時空依賴性，并確保內(nèi)容的一致性。

　　為此，Etna模型在主干網(wǎng)絡(luò)上采用了Diffusion架構(gòu)，同時在一個更大的數(shù)據(jù)集上實驗和適配與Sora相似的Diffusion+Transform架構(gòu)。融合了Diffusion模型和Transformer模型的優(yōu)勢，Etna形成了一種高效且先進的新型模型架構(gòu)，提升了模型的生成效率，保證了生成內(nèi)容的高質(zhì)量和高一致性。

　　七火山公司不僅布局了AI多模態(tài)產(chǎn)品，還與小米、快手等合作伙伴展開戰(zhàn)略合作，共同探索短劇出海市場。

　　資本市場對七火山公司的發(fā)展充滿了期待，認(rèn)為其具備了潛在的成長空間和投資價值。AI視頻技術(shù)的興起將顛覆整個短視頻產(chǎn)業(yè)鏈，為用戶帶來全新的觀影體驗，也為產(chǎn)業(yè)鏈上下游企業(yè)帶來了更多的商機和發(fā)展空間。