浏览器家园-提供优质下载服务!
所在位置:浏览器家园资讯软件资讯sora软件是什么 sora视频生成软件介绍

sora软件是什么 sora视频生成软件介绍[多图]

时间:2024-2-20 9:06:15

sora是什么软件呢,这是最新上线的一个sora软件,和视频相关的类,也是最近OpenAI发布了视频相关的,可以扩展视频生成模型,下面就来介绍下sora软件是什么。

sora软件介绍

昨天,OpenAI发布了视频生成模型Sora,最大的Sora模型能够生成一分钟的高保真视频。同时OpenAI称,可扩展的视频生成模型,是构建物理世界通用模拟器的一条可能的路径。

Sora能够生成横屏1920*1080视频,竖屏1080*1920视频,以及之间的所有内容。这使得Sora可以兼容不同的视频播放设备,根据特定的纵横比来生成视频内容,这也会大大影响视频创作领域,包括电影制作,电视内容,自媒体等。

技术报告:https://openai.com/research/video-generation-models-as-world-simulators

技术解读

魔搭社区的开发者也针对Sora的技术报告展开了热烈的讨论,并根据技术报告的内容,推测了Sora的技术架构图如下:

sora软件是什么  sora视频生成软件介绍[多图]图片1

Sora的技术架构图(from魔搭社区开发者)

Sora模型的核心技术点(图中红色标注):

视频压缩网络

OpenAI训练了一个降低视觉数据维度的网络。这个网络接受原始视频作为输入,并输出在时间和空间上都被压缩的潜在表示。Sora在这个压缩的潜在空间上进行训练,并随后生成视频。同时还训练了一个相应的解码器模型,将生成的潜在表示映射回像素空间(源自Sora技术报告)。这部分内容为图中的红色部分,核心工作为将视觉数据转化为patches,patches是从大语言模型中获得的灵感,大语言模型范式的成功部分得益于使用优雅统一各种文本模态(代码、数学和各种自然语言)的token。大语言模型拥有文本token,而Sora拥有视觉分块(patches)。OpenAI在之前的Clip等工作中,充分实践了分块是视觉数据模型的一种有效表示(参考论文:An image is worth 16x16 words: Transformers for image recognition at scale.)这一技术路线。而视频压缩网络的工作就是将高维度的视频数据转换为patches,首先将视频压缩到一个低纬的latent space,然后分解为spacetime patches。

sora软件是什么  sora视频生成软件介绍[多图]图片2

这个方法同样适用于图像(将图像作为单一帧视频处理),基于Patches的表示使得Sora能够训练具有不同分辨率,持续时间和纵横比的视频和图像,而在推理过程中,只需要在适当大小的grid中随机初始化patches即可控制视频生成的大小。

技术难点:视频压缩网络类比于latent diffusion model中的VAE,但是压缩率是多少,如何保证视频特征被更好地保留,还需要进一步的研究。

2. 用于视频生成的Scaling Transformers

Sora是一个diffusion模型;给定输入的噪声块+文本prompt,它被训练来预测原始的“干净”分块。重要的是,Sora是一个Scaling Transformers。Transformers在大语言模型上展示了显著的扩展性,我们相信OpenAI将很多在大语言模型的技术积累用在了Sora上。

sora软件是什么  sora视频生成软件介绍[多图]图片3

在Sora的工作中,OpenAI发现Diffusion Transformers作为视频生成模型具备很好的扩展性。

技术难点:能够scaling up的transformer如何训练出来,对第一步的patches进行有效训练,可能包括的难点有long context(长达1分钟的视频)的支持、期间error accumulation如何保证比较低,视频中实体的高质量和一致性,video condition,image condition,text condition的多模态支持等。

3. 语言理解

OpenAI发现训练文本到视频生成系统需要大量带有相应文本标题的视频。这里,OpenAI将DALL·E 3中介绍的标题生成技术用到了视频领域,训练了一个具备高度描述性的视频标题生成(video captioning)模型,使用这个模型为所有的视频训练数据生成了高质量文本标题,再将视频和高质量标题作为视频文本对进行训练。通过这样的高质量的训练数据,保障了文本(prompt)和视频数据之间高度的align。而在生成阶段,Sora会基于OpenAI的GPT模型对于用户的prompt进行改写,生成高质量且具备很好描述性的高质量prompt,再送到视频生成模型完成生成工作。

技术难点:如何训练一个高质量的视频caption模型,需要海量的高质量视频数据,包括数据的获取和标注,为了保障通用性,需要支持各种多样化的视频源,电影、纪录片、游戏、3D引擎渲染等等;标注工作包括对长视频的精准切片,以及切片后的captioning。中文高质量视频数据一直是稀缺资源,随着国内短视频业务发展,也许可以加快中文高质量短视频的收集和获取。

4、世界模型,涌现的模拟能力

当大规模训练时,sora同样也出现了有趣的“涌现的模拟能力”,这些能力使Sora能够模拟物理世界中的人、动物和环境的某些方面。这些属性没有任何明确的三维、物体等归纳特征信息——可以理解为由于模型参数足够大而产生的涌现现象。

这些能力包括:

三维一致性 Sora可以生成具有动态摄像机移动的视频。随着摄像机的移动和旋转,人物和场景元素在三维空间中一致地移动。

长距离连贯性和物体持久性 对于视频生成系统来说,一个重大挑战一直是在采样长视频时保持时间上的连续性。研究发现,Sora通常能够有效地模拟短距离和长距离依赖关系(不稳定)。例如,Sora可以在人物、动物和物体被遮挡或离开画面时仍然保持它们的存在。同样,它可以在单个样本中生成同一角色的多个镜头,贯穿视频始终保持他们的外观。

与世界互动 Sora可以模拟以简单方式影响世界状态的行为。例如,画家可以在画布上留下新的笔触,这些笔触随着时间的推移而持续存在,或者一个人可以吃汉堡并留下咬痕。

模拟数字世界 Sora还能够模拟人工过程,一个例子是视频游戏。Sora可以通过基本策略控制《Minecraft》中的玩家,同时以高保真度渲染世界及其动态。这些能力可以通过prompt包含“Minecraft”,零样本激活这样的能力。

而这些能力都表明,顺着这个方向发展(持续扩大规模),Sora真的可能成为世界模型(能够高度模拟物理和数字世界的模拟器)。也许头部玩家,黑客帝国这些科幻片,就在不太遥远的未来。

技术难点:“大”模型,“高”算力,“海量”数据

总 结

从Sora模型的技术报告中,我们可以看到Sora模型的实现,是建立在OpenAI一系列坚实的历史技术工作的沉淀基础上的:包括不限于视觉理解(Clip),Transformers模型和大模型的涌现(ChatGPT),Video Caption(DALL·E 3)等。正如社区的一位开发者说,虽然其中依然有非常多的技术细节OpenAI并没有披露,但是OpenAI画了一条“模糊”的路,有了这条模糊的路,大家就可以去尝试,从而画出通往视频生成的正确的清晰的路。

猜你喜欢

  • 手机电视
  • 电视剧
  • 视频聊天
  • 视频短片

手机电视 更多+

手机就可以看电视,看视频,随时都可以以不同的姿势,自己喜欢的各种姿势看各种电视剧,地点也没有局限,比传统的电视机更方便,这些软件称之为播放器,基本每一个用户的手机都会存在这些软件,看电视也可以不需要看广告了,也可以不用看直播了,直接有空的时间想看就看!

电视剧 更多+

现在有非常多的影视资源都是可以免费观看的,还有超多的电视剧资源都是可以一键获取的,使用超级的方便,每天都有精彩的电视剧推荐,为用户提供最便捷的电视资源,让用户可以打发无聊的时间,丰富的电视剧资源任你选择,随时都可以使用手机浏览好看的电视剧,随时方便用户的生活。

视频聊天 更多+

现在这个时代,随时时代在进步,社交软件也有了更多的新的功能,比如语音聊天,视频聊天,等等,还可以群聊都是非常方便的,这样也可以促进大家的人际交流,想要脱单的小伙伴们也可以快速找到自己可以认识的对象,视频聊天也可以让大家可以更方便的了解,更直观的深入了解对方哦!

视频短片 更多+

这一2年随着时代在发展,短视频非常的流行,为什么称之为短视频呢,一分钟不到的视屏就可以让你看到精华,可以让你笑,让你感动,让你有感同身受的一些情感,这就是短视频的魅力所在,喜欢玩短视频或者喜欢拍摄短视频的小伙伴们都可以找到适合自己的一些短视频软件来开始自己的短视频之旅!

相关下载

网友评论

加载更多

(发表您的看法,我们会及时的采纳与反馈。) 回复 [ ] 楼取消回复

  • 热门资讯
  • 推荐资讯
  • 游戏更新
  • 软件更新
关于我们 免责声明 发布软件 网站地图 手机版

Copyright © 2014-2024 浏览器家园  鄂ICP备19028122号-1

浏览器家园提供的所有下载文件,如有内容侵犯您的版权或其他利益,请及时向我们提出删除。