CogVideoX – 智谱AI推出的开源AI视频生成模型

CogVideoX是什么

CogVideoX是智谱AI最新发布的一款开源AI视频生成模型，它与智谱AI的商业产品“清影”有着共同的技术基础。CogVideoX能够接受英文提示词，生成时长为6秒、帧率为每秒8帧、分辨率为720*480的视频。推理过程中需要的显存范围在7.8GB至26GB之间，目前尚不支持量化推理和多卡推理。该项目还包含了3D Causal VAE组件用于视频重建，配备丰富的示例和工具，包括CLI/WEB演示、在线体验、API接口示例以及微调指南。

CogVideoX的主要功能

• 文本生成视频：用户可以通过输入文本提示，生成相应的视频内容。
• 显存需求低：在INT8精度下，推理显存仅需7.8GB，使用1080 Ti显卡也能完成推理。
• 视频参数定制：支持用户自定义视频的长度、帧率和分辨率，当前版本支持生成6秒长、8帧/秒、720*480分辨率的视频。
• 3D Causal VAE技术：通过3D Causal VAE技术，实现视频内容的高效重建。
• 推理与微调：模型不仅支持基本的推理生成视频，还提供了微调功能，以满足不同需求。

CogVideoX的技术原理

• 文本到视频生成：CogVideoX利用深度学习模型，特别是基于Transformer的架构，来解析输入的文本提示并生成视频内容。
• 3D Causal VAE：该模型采用了3D Causal Variational Autoencoder（变分自编码器），这是一种用于视频重建和压缩的技术，能够几乎无损地重建视频，降低存储和计算需求。
• 专家Transformer：CogVideoX运用了专家Transformer模型，这是一种特殊的Transformer架构，通过多个专家协同处理不同的任务，比如空间与时间信息的处理，以及控制信息流动等。
• 编码器-解码器架构：在3D VAE中，编码器将视频转换为简化的代码，而解码器根据这些代码重建出视频，潜在空间正则化器确保编码和解码之间的信息传递更加准确。
• 混合时长训练：CogVideoX采用混合时长训练法，使模型能够学习生成不同长度的视频，提高其泛化能力。
• 多阶段训练：训练过程分为多个阶段，包括低分辨率预训练、高分辨率预训练及高质量视频微调，逐步提升模型的生成质量与细节。
• 自动与人工评估：CogVideoX结合自动评估和人工评估的方式，以确保生成视频的质量符合预期。

CogVideoX的项目地址

• 智谱清影体验：https://ai-bot.cn/chatglm-video/
• CogVideoX-2B模型地址：
  • HuggingFace模型库：https://huggingface.co/THUDM/CogVideoX-2b
  • 魔搭社区模型库：https://modelscope.cn/models/ZhipuAI/CogVideoX-2b
• CogVideoX-5B模型地址：
  • HuggingFace模型库：https://huggingface.co/spaces/THUDM/CogVideoX-5B
  • 魔搭社区模型库：https://modelscope.cn/models/ZhipuAI/CogVideoX-5b
• GitHub仓库：https://github.com/THUDM/CogVideo
• arXiv技术论文：https://arxiv.org/pdf/2408.06072

CogVideoX-2B与CogVideoX-5B参数对比

CogVideoX的性能评估

为评估文本到视频生成的质量，我们采用了VBench中的多项指标，包括人类动作、场景及动态程度等。此外，还使用了两个额外的视频评估工具：Devil中的动态质量和Chrono-Magic中的GPT4o-MT评分，这些工具专注于视频的动态特性，如下表所示。

CogVideoX的应用场景

• 创意视频制作：为独立视频创作者和艺术家提供工具，快速将创意文本描述转化为生动的视频内容。
• 教育与培训材料：自动生成教育视频，有助于阐释复杂概念或展示教学场景。
• 广告与品牌宣传：企业可以利用CogVideoX模型基于广告文案生成视频广告，提升营销效果。
• 游戏与娱乐产业：辅助游戏开发者快速生成游戏内动画或剧情视频，增强游戏体验。
• 电影与视频编辑：帮助视频编辑人员通过文本描述生成特定场景或特效视频。
• 虚拟现实(VR)与增强现实(AR)：为VR和AR应用生成沉浸式视频内容，提升用户互动体验。