Alex 发自凹非寺
量子位公众号 QbitAI
谷歌整出了个新“AI 导演”，一句话甚至能把视频主角给换了。
瞧，青青草地上，一只小熊正在跳舞。
难道现在的熊都这么有艺术细胞了嘛？？
No，No，No！草地上原有的其实是只猴子。
要从猴变熊，只用跟这个 AI 说一句：一只小熊随着音乐节拍跳着舞，扭动他的整个身子。（A bear dancing and jumping to upbeat music, moving his whole body）
而除了会“魔改”视频，这个名为 Dreamix 的 AI 还能把静态图片变成动画——也是一句话就搞定。
比如给此 AI 看一张“海龟游泳照”，再告诉它：水下拍到一只海龟在游泳，后面有只鲨鱼正在靠近。（Underwater shot of a sea turle with a shark apporching from behind）
一句话不仅让海龟游起来了，还凭空加了条鲨鱼。
这效果让不少围观网友都纷纷点赞。
有人甚至断言，AIGC 将在接下的两年时间继续掀起热潮，甚至比千禧年间的发展更加疯狂。
导演视频，只用一句话
一经公开就能受到盛赞，这个 AI 究竟如何？不妨再看看其更多的“导演”作品来感受一下。
首先，在更换视频角色方面，这是原本的田野：
这是 AI 放火烧掉的田野：
这是人的手在写字：
这是 AI 生成的机器人手在写字：
同样以人写字的视频为原型，如果把提示句子换成“人的手在画圆”，还会有不同的生成效果：
而在静态图变动画方面，原图是雾蒙蒙的丛林：
而 AI 给这片林子加了一只奔跑的独角兽，而且镜头还按句子提示给拉远了。
还有这样一张河谷风景图：
AI 不仅让溪水流动起来，还给岸边加上了来洗澡水牛，给天空加上了飞翔的小鸟。
看到这里，有人可能会觉得欠点火候：动画倒是做出来了，但画质也牺牲了挺多啊。
那不妨多给 AI 看几张图。
比如一口气给 AI 看 7 张玩具火警的照片：
然后再让它根据一句话生成视频，这下画质就会清楚很多。
至于这个”AI 导演”是怎么做的，谷歌表示，关键在于“老朋友”扩散模型（Diffusion Model）。
扩散模型，也是火出圈的 AIGC 作画神器 DALL·E 2 的核心。
谷歌研究人员指出，其实之前已有类似的“文字生成视频”AI 了，但若仅仅在输入视频上对视频扩散模型进行微调，会限制运动变化的程度。
而此 AI 与众不同之处在于：
团队使用了一个“混合目标”，除了对原始目标进行微调外，还会对无序帧集进行微调。
他们采用了一种深度学习中专门的注意力机制：Masked Temporal Attention，帮助模型专注于输入信息的特定部分，忽略其他无关的部分。
——这提高了模型处理序列数据的能力，生成视频中的动态更多样化，且效果也比较自然。
在扩散模型和 Masked Temporal Attention 的加持下，对于更换视频主角来说，输入其实已经被省略了——只需进行微调，结果的保真度也相当不错。
