新華社北京4月27日電（記者魏夢佳）只需一段文字指令就能生成一段逼真視頻，今年初，文生視頻大模型Sora在全球人工智能業內外引發廣泛關注。27日，2024中關村論壇年會上首次發布我國自研的具“長時長、高一致性、高動態性”特點的文生視頻大模型Vidu。
記者從會上獲悉，這一視頻大模型由清華大學聯合北京生數科技有限公司共同研發，可根據文本描述直接生成長達16秒、分辨率高達1080P的高清視頻內容，不僅能模擬真實物理世界，還擁有豐富想象力。
清華大學人工智能研究院副院長、生數科技首席科學家朱軍說，當前國內視頻大模型的生成視頻時長大多為4秒左右，Vidu則可實現一次性生成16秒的視頻時長。同時，視頻畫面能保持連貫流暢，隨著鏡頭移動，人物和場景在時間、空間中能保持高一致性。
在動態性方面，Vidu能生成復雜的動態鏡頭，不再局限于簡單的推、拉、移等固定鏡頭，而是能在一段畫面里實現遠景、近景、中景、特寫等不同鏡頭的切換，包括能直接生成長鏡頭、追焦、轉場等效果。
“Vidu能模擬真實物理世界，生成細節復雜且符合物理規律的場景，例如合理的光影效果、細膩的人物表情等，還能創造出具有深度和復雜性的超現實主義內容。”朱軍介紹，由于采用“一步到位”的生成方式，視頻片段從頭到尾連續生成，沒有明顯的插幀現象。
此外，Vidu還可生成如熊貓、龍等形象。
據悉，Vidu的技術突破源于團隊在機器學習和多模態大模型方面的長期積累，其核心技術架構由團隊早在2022年就提出并持續開展自主研發。“作為一款通用視覺模型，我們相信，Vidu未來能支持生成更加多樣化、更長時長的視頻內容，探索不同的生成任務，其靈活架構也將兼容更廣泛的模態，進一步拓展多模態通用能力的邊界。”朱軍說。