“不需要再等OpenAI的鸽王Sora了”。‍

字节版Sora终于来了，这一次还憋了个大的——

一口气推出Seaweed和PixelDance两款豆包视频模型，支持文生/图生视频，时长可达10s。

以PixelDance为例，其最大特色在于多主体交互，一致性多镜头生成。

啥意思？？——直接来看几个官方demo。

First kill，现在手上有这样一张原图：

若使用当前大多视频模型，一般只能进行到“摘墨镜”这个环节；而PixelDance能解锁时序性多拍动作指令。（摘完墨镜还能站起来，并走向雕像）

还有类似电视剧的飙戏名场面（多个主体），各自眼神、动作，一整个拿捏。

Double kill，饱受吐槽的PPT动画有新解了。PixelDance拥有变焦、环绕、平摇、缩放、目标跟随等多镜头话语言能力。

关键来了，在一致性方面，PixelDance号称能10秒讲述完整故事。

说人话就是，在一句提示词内，实现多个镜头切换，同时保持主体、风格和氛围的一致性。

另外，PixelDance支持多种风格比例。（说你呢Runway）

小结一下，字节版Sora这次主打多主体交互、酷炫运镜、一致性多镜头以及多风格比例。

发布会一结束，网友们的期待值也是拉满了，嗷嗷待哺内测资格！

与此同时，字节研究团队一篇PixelDance同名论文，也被扒了出来，再次引发热议。‍‍‍

字节团队此前入选CVPR 2024的论文，就提出了名为一种PixelDance的模型。‍

先划重点，团队采用的方法可以概括为：

首先，团队采用广泛使用的2D UNet作为扩散模型，该模型由一系列空间下采样层和一系列空间上采样层构建，并插入了跳跃连接。

具体来说，它由两个基本模块构建，即2D卷积模块和2D注意力模块。

通过插入时间层将2D UNet 扩展为3D变体，其中在2D卷积层之后插入1D时间卷积层，2D注意力层之后插入1D时间注意力层。

模型可以通过图像和视频联合训练，在空间维度上保持高保真生成能力。

不过对于图像输入，1D时间操作被禁用。团队在所有时间注意力层中使用双向自注意力。

其次是指令注入。具体来说，PixelDance基于<文本，首帧，尾帧>指令。

这里要插一句，与文本指令相比，图像指令更加直接且易于获取——使用真实视频帧作为训练中的图像指令。

据了解，文本指令由预训练的文本编码器编码，并通过交叉注意力融入扩散模型。

图像指令由预训练的VAE编码器编码，并与受扰的视频潜变量或高斯噪声一起作为扩散模型的输入。

在训练过程中，团队使用（真实的）首帧指令来强制模型严格遵循该指令，从而保持连续视频片段之间的一致性。

当然了，PixelDance独特之处在于使用尾帧指令的方式。

简单说，团队有意避免让模型完全复制尾帧指令，因为在推理过程中提供一个完美的尾帧是很困难的，模型应该能够处理用户提供的粗略草稿，并作为指导。

为了实现这一点，团队开发了三项技术：

1、在训练过程中，尾帧指令是从视频片段的最后三帧（真实的）中随机选择的。2、向指令中引入了噪声，以减少对指令的依赖性并提高模型的鲁棒性。3、在训练中以一定概率（例如 25%）随机丢弃尾帧指令。

相应地，团队提出了一种简单但有效的推理策略。

概括起来就是，在前τ次去噪步骤中，利用尾帧指令引导视频生成朝向期望的结束状态。

在剩余的步骤中，指令被丢弃，允许模型生成时间上更连贯的视频。

通过调整τ，可以控制尾帧指令对生成结果的影响。

接下来，团队在WebVid-10M数据集上训练了视频扩散模型，该数据集包含大约1000万个短视频片段——

平均时长为18秒，分辨率通常为336 × 596，且每个视频都附有与视频内容松散相关的文本描述。

不过WebVid-10M存在一个问题，即所有视频上都带有水印，这导致生成的视频中也会包含水印。

因此，团队将训练数据扩展为另外自收集的50万个无水印视频片段，它们包含真实世界的实体，如人类、动物、物体和风景，并附有粗粒度的文本描述。

尽管这一额外数据集只占了很小比例，但团队惊讶地发现：

最终，PixelDance在视频-文本数据集和图像-文本数据集上进行联合训练。

对于视频数据，从每个视频中随机采样16个连续帧，每秒4帧。

此外，按照之前的工作，采用LAION-400M作为图像-文本数据集；每8次训练迭代使用一次图像-文本数据。

自论文发布之后，到产品上线这段时间具体又做了哪些改进，目前还不得而知。

由于刚发布，目前只能简单看到官方提及：

感兴趣的话可以亲自上手试一试来感受一下，目前豆包视频模型已在火山引擎开启企业用户的邀请测试；个人用户可在字节旗下的即梦AI申请内测。

官方声称，未来将逐步开放给所有用户。

那么，你期待这次的字节版sora吗？