首先，AI导演根据输入文本生成图像嵌入。真拿嘴

然后，视频视频素材速度解码器Dt生成16帧64×64的句话RGB图像。

插值网络↑F会对初步结果进行插值，搞定以达到理想帧率。网友

接着，已跟第一重超分网络会将画面的不上分辨率提高到256×256。第二重超分网络则继续优化，发展将画质进一步提升至768×768。AI导演

基于这样的真拿嘴原理，Make-A-Video不仅能根据文字生成视频，视频视频素材速度还具备了以下几种能力。句话

将静态图像转成视频：

根据前后两张图片生成一段视频：

根据原视频生成新视频：

刷新文本视频生成模型SOTA

其实，搞定Meta的网友Make-A-Video并不是文本生成视频（T2V）的首次尝试。

比如，清华大学和智源在今年早些时候就推出了他们自研的“一句话生成视频”AI：CogVideo，而且这是目前唯一一个开源的T2V模型。

更早之前，GODIVA和微软的“女娲”也都实现过根据文字描述生成视频。

不过这一次，Make-A-Video在生成质量上有明显的提升。

在MSR-VTT数据集上的实验结果显示，在FID（13.17）和CLIPSIM（0.3049）两项指标上，Make-A-Video都大幅刷新了SOTA。

此外，Meta AI的团队还使用了Imagen的DrawBench，进行人为主观评估。

他们邀请测试者亲身体验Make-A-Video，主观评估视频与文本之间的逻辑对应关系。

结果显示，Make-A-Video在质量和忠实度上都优于其他两种方法。

One More Thing

有意思的是，Meta发布新AI的同时，似乎也拉开了T2V模型竞速的序幕。

Stable Diffusion的母公司StabilityAI就坐不住了，创始人兼CEO Emad放话道：

我们将发布一个比Make-A-Video更好的模型，大家都能用的那种！

而就在前几天，ICLR网站上也出现了一篇相关论文Phenaki。

生成效果是这样的：

对了，虽然Make-A-Video尚未公开，但Meta AI官方也表示，准备推出一个Demo让大家可以实际上手体验，感兴趣的小伙伴可以蹲一波了~

(责任编辑：百科)