从今天开始，清影迈入新阶段：10s 时长、4k、60 帧超高清画质、任意尺寸，自带音效，以及更好人体动作和物理世界模拟。
3 个月前，作为国内首个面向公众开放的视频生成产品，清影上线清言App，只需一段指令或图片，30 秒就能生成 AI 视频。为人类影视创作带来了更多创新玩法，如广告制作、短视频、表情包梗图等。
清影发布后不久，GLM 技术团队先后开源了 CogVideoX 2B 和 5B 版本两个模型，可在消费级显卡上流畅运行，性能领先的 CogVideoX-5B 模型自开源以来受到广泛的关注，并衍生出如 CogVideoX-factory 等大量的二次开发项目。
基于 CogVideoX 模型的最新技术进展和我们最新推出的音效模型 CogSound，新清影在以下 5 个方面实现了提升。
模型能力全面提升：在图生视频的质量、美学表现、运动合理性以及复杂提示词语义理解方面能力明显增强。
4K超高清分辨率：支持生成 10s、4K、60 帧超高清视频，视觉体验拉到极致，动态画面更加流畅。
可变比例：支持任意比例的图像生成视频，超宽画幅也能轻松 Hold 住，从而适应不同的播放需求。
多通道生成能力：同一指令/图片可以一次性生成 4 个视频。
带声效的AI视频：新清影可以生成与画面匹配的音效了。音效功能将很快在本月上线公测。
生成视频将为影视工作者、短视频创作者提升产量、产能，在其生产流程中发挥重要作用。不到一年时间，生成视频技术在视频时长、生成速度、分辨率、一致性等方面已经显示出长足进步。新清影往前又迈进了一步，未来，我们也将携手视觉中国等合作伙伴，基于更丰富的视觉内容，产出更好的 AI 生成视频工具。
“默片 Sora”进入“有声电影时代”
我们认为真正的智能一定是多模态的，听觉、视觉、触觉等共同参与了人脑认知能力的形成，因此，我们希望包括文字、图像、语音和视觉等模态在内的智谱多模态大模型矩阵，能够进一步提高大模型的应用和工具能力。
因此，GLM 模型家族逐步从文字拓展至图片、视频、声音，以及音效。今天，GLM 家族加入了新成员——音效模型 CogSound 和音乐模型 CogMusic。即将上线与大家见面的音效模型 CogSound 能根据视频自动生成音效、节奏等音乐元素，它是基于GLM-4V 的视频理解能力，能够准确识别并理解视频背后的语义和情感，在此基础上生成与之相匹配的音频内容，甚至生成复杂音效，如爆炸、水流、乐器、动物叫声、交通工具声等。
「CogVideoX + CogSound」由清影生成画面，音效模型配音
当前，AI 生成视频用于影视创作仍需要多种不同的创作工具串联使用。但基于我们多模态的最新成果，实现这种一站式 AI 原生多模态工作流，这样的前景无疑是激动人心的。
暂无评论内容