清华大学和Zhipu AI研究人员开发了一种开源文本生成视频人工智能模型，称为科格视频X”被宣布。这种模式可能会给以 Runway、Luma AI 和 Pika Labs 等初创公司为首的人工智能视频生成领域带来新的竞争。
CogVideoX 可以根据文本提示生成长达 6 秒的高质量、一致的视频。研究人员表示，该模型在多个指标上均优于 VideoCrafter-2.0 和 OpenSora 等竞争模型。
该模型的核心 CogVideoX-5B 拥有 50 亿个参数，以每秒 8 帧的速度生成分辨率为 720 x 480 像素的视频。
研究团队通过多项创新实现了 CogVideoX 的性能，包括实施 3D 变分自动编码器 (VAE) 以及开发可提高文本和视频完整性的“专家转换器”。
CogVideoX 代码和模型权重的发布，使得以前财力雄厚的科技公司专有的技术可供世界各地的开发者使用。此举可能会加速人工智能生成视频的进步。
从：这个新的开源人工智能 CogVideoX 可能会永远改变我们创建视频的方式
【编辑部评论】
CogVideoX的到来对于AI视频生成技术的民主化具有重要意义。到目前为止，AI 视频生成一直是由 Runway、Luma AI 和 Pika Labs 等少数初创公司主导的领域。然而，随着 CogVideoX 等开源模型的出现，世界各地的开发人员现在都可以访问这项尖端技术。
CogVideoX 的独特之处在于它能够根据文本提示生成长达 6 秒的高质量、一致的视频。 CogVideoX-5B 能够以每秒 8 帧的速度生成分辨率为 720 x 480 像素的视频，是一个拥有 50 亿个参数的强大模型。
该模型的开发包括多项创新，包括 3D 变分自动编码器 (VAE) 的实施和“专家变压器”的开发。这些技术提高了文本和视频的完整性，从而生成更高质量的视频。
开源 CogVideoX 可能会对人工智能技术的发展产生重大影响。以前专属于资金雄厚的大公司的技术现在已可供个人开发商和小型企业使用。这可以加速人工智能视频生成领域的创新。
另一方面，如此强大的技术的广泛使用也存在潜在风险。例如，它可能被滥用来创建深度伪造品和误导性内容。因此，在技术发展的同时，制定道德使用指南和法律法规也很重要。
从长远来看，像 CogVideoX 这样的技术有可能从根本上改变视频制作的方式。不仅是专业视频制作者，普通用户也可以轻松创作出高质量的视频内容。这可能会对娱乐、教育和营销等多个领域产生重大影响。
然而，CogVideoX 目前也存在局限性。 6 秒的视频长度和 720 x 480 像素分辨率可能不足以满足专业用途。此外，生成的视频的质量和一致性可能不如人工制作的视频。
【术语解释】
- 文本生成视频AI模型：人工智能技术，根据文字说明自动生成视频。
- 3D 变分自动编码器 (VAE）：一种高效压缩和重建视频数据的技术。
- 专家变压器：更有效连接文本和视频信息的技术。
[参考链接]
- 智普人工智能（外部）
开发CogVideoX的中国人工智能公司。我们正在研究和开发大规模语言模型和图像生成人工智能等各种人工智能技术。 - 跑道（外部）
一家提供利用人工智能的创意工具的公司。提供视频生成、编辑、图像生成等功能。 - 皮卡实验室（外部）
一家利用人工智能开发视频生成工具的初创公司。我们提供从文本生成短视频的技术。