智譜宣布全新迭代的AI視頻模型“新清影”,正式上線。
10s、4k、60幀,還能自帶生成挺匹配的AI音效。
視頻模型已經(jīng)上線智譜清言上,人人可用。音效模型這個月也即將上線。
這個點(diǎn),其實(shí)還好,就是線上模型迭代升級了一版而已。
但是最牛逼的是,他們直接宣布,把這個“新清影”背后的底層模型,也就是CogVideoX v1.5,直接開源了。。。
我覺得他們瘋了,真的。
上上周發(fā)類似GPT4o那種端到端的語音對話模型也是,直接發(fā)布即開源。
真的,智譜給我整不會了。
周二才夸過騰訊混元,開源了他們參數(shù)最大的MoE模型混元Large和AI3D模型Hunyuan3D-1.0。
現(xiàn)在智譜直接接力,直接開源了他們內(nèi)部效果最好的AI視頻模型。
還是那句話,對于每一個愿意開源,讓社會、讓開源社區(qū),百尺竿頭更進(jìn)一步的公司。我都永遠(yuǎn)報以最崇高的敬意,和最大的善意。
CogVideoX v1.5我也第一時間去測試了一下。
普通用戶也可以去智譜清影上玩。
我放一些我自己跑的case吧。
非常坦率的講,智譜的新清影,跟上一代比,已經(jīng)進(jìn)步巨大了。
不管是審美、還是動作幅度、還是物理規(guī)律、還是穩(wěn)定程度。
真的,上一代的人物變形變得我到現(xiàn)在都還記憶猶新。
但是如果你要把他跟業(yè)界最好的比,比如你跟豆包PixelDance比分鏡比運(yùn)鏡,那肯定還是差了一定距離的。
畢竟這一版的新清影,在版本號上,還是一個折中的階段,也就是CogVideoX v1.5,而且他們進(jìn)步速度還是飛快的。
當(dāng)時8月也是第一個把生視頻全面公開讓c端來玩的,說實(shí)話也勇氣可嘉。
而且我問了一下內(nèi)部人,參數(shù)量更大更新更強(qiáng)的模型正在訓(xùn)練,如果等過兩個月CogVideoX v2.0階段,可能又會來一波進(jìn)化的飛躍。
當(dāng)然,不管怎么樣,智譜敢把新清影發(fā)布即開源,就憑這點(diǎn),我贊智譜一聲勇士。
上一次他們開源CogVideoX,直接給開源社區(qū)貢獻(xiàn)了一波大力。
一群老外直接玩的飛起。
比如微調(diào)一個自己的視頻模型。
比如微調(diào)一個室內(nèi)設(shè)計的專屬視頻模型。
等等等等。
AI繪圖的開源生態(tài)已經(jīng)被玩出花了,但是AI視頻的生態(tài),確實(shí)還是非常的貧瘠,不管是配套插件,還是微調(diào)方式,還是模型數(shù)量等等,都還遠(yuǎn)遠(yuǎn)處于起步階段。
希望這一波新清影CogVideoX v1.5的開源,能讓AI視頻的開源社區(qū)和生態(tài),繼續(xù)沸騰一次。
除了CogVideoX v1.5的開源之外,還有另一個東西我覺得非常值得說,雖然它還沒有上線,但是在這次的demo里一窺了真容。
就是智譜的AI音效模型。
智譜可能是我知道的,唯一一個,什么模態(tài)都做的,關(guān)鍵,每個模特居然做的都還不錯。
我真的,尊稱一聲模型法王。
給你們數(shù)一下。
文本生成 -GLM
圖像生成 -CogView
視頻生成 - CogVideoX
音效生成 - CogSound
音樂生成 - CogMusic
端對端語音 - GLM-4-Voice
自主代理 - AutoGLM
圖像理解 - CogVLM
...
這些,還不包括代碼生成、圖片理解、視頻理解等等。。。
我只能說一句佩服。
說回智譜的這個AI音效模型。
通俗的理解,就是給一段視頻,配上音效。
我先放兩個case,這兩case都是清影生的視頻,然后用他們的AI音效模型CogSound配音。
這小音效還是挺適配的。也可以傳一段現(xiàn)有的視頻素材進(jìn)去。
比如這是我很喜歡的一部電影《妖貓傳》里的經(jīng)典鏡頭,而這次,整段音效,都是我把視頻片段扔給智譜后,他們配的。
感覺非常好,甚至最后的煙花爆炸的聲音,都跟煙花爆炸的那一刻,精準(zhǔn)的對上了。
我之前在11Labs的AI音效評測中也說過,音效設(shè)計,一直是一個非常重要、難度極高但又容易被大家忽視的領(lǐng)域。
一部片子或者游戲能讓你沉浸進(jìn)去,你可能更多的會夸他的劇情、畫面、配樂,但是很少有人會去夸他的音效,比如夸你這個關(guān)門聲關(guān)的真真實(shí)等等。
但是音效,是沉浸感中絕對重要的一環(huán),而做一個優(yōu)秀的音效,有時候難度更是超高,比如《哥斯拉》里面經(jīng)典的吼聲。
制作團(tuán)隊(duì)用了很多種方法去做哥斯拉的吼,比如用干冰升華時在金屬通風(fēng)管道中造成的震動和尖叫制作出了哥斯拉金屬質(zhì)感的長嘯,比如他們在拋光過的地板上用大木箱拖動,拖出了那一陣陣令人毛骨悚然的胸腔共鳴。
這才有了這史上最著名的怪獸的驚鴻一瞥。
現(xiàn)在,你可以用智譜的AI音效,生成一段哥斯拉的吼聲。
質(zhì)感上肯定跟原版那種極致的特斯拉還差了一些,但是也是極好的開頭。
音效,真的很重要。而AI音效的產(chǎn)品,其實(shí)從今年3月,就出來了不少的。但是都有一個問題。
就是他們的AI音效設(shè)計,是直接用文字生成音頻的。
比如PIKA很早的時候就做了生成的AI視頻自帶音效。
但是跟畫面的匹配度,其實(shí)極低。因?yàn)槭羌兇獾奈淖稚梢粜Ш,再直接把這個音效音軌給你拼到視頻里,至于合不合拍,那就純靠人品,比隨機(jī)還隨機(jī)。
但是智譜這次的做法,非常的有趣。
他們是先把視頻過一遍他們自己的視頻理解模型,然后得到畫面關(guān)鍵信息,再用畫面關(guān)鍵信息和prompt,去生成音效模型。
這樣的做法,音效和畫面的匹配度,就實(shí)在是高太多太多了。
為啥別人家不這么做呢?廢話,因?yàn)閯e人家沒有視頻理解模型啊...
智譜的全模態(tài)模型的生態(tài),雖然之前都是一個一個小點(diǎn),但是我有一種感覺,就是未來的某一天,這些小點(diǎn)會逐漸連成線,結(jié)成網(wǎng),最后形成一道堅(jiān)不可摧的巨大的面。
這可能,就是生態(tài)的優(yōu)勢吧。
窮則獨(dú)善其身,達(dá)則兼濟(jì)天下。
我愛每一個愿意開源的公司。
當(dāng)OpenAI變成CloseAI。
智譜接過了那個Open的大旗。
然后高喊出那一句。
China,No.1!
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險自擔(dān)。
2024年的Adobe MAX 2024發(fā)布會上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標(biāo)識解析專題論壇在沈陽成功舉辦。