Meta版Sora无预警来袭！抛弃扩散损失，音视频生成/画面编辑全包，92页论文无保留公开

刚刚，Meta抢在OpenAI之前推出自己的Sora——Meta Movie Gen

Sora有的它都有，可创建不同宽高比的高清长视频，支持1080p、16秒、每秒16帧。

Sora没有的它还有，能生成配套的背景音乐和音效、根据文本指令编辑视频，以及根据用户上传的图像生成个性化视频。

Meta表示，这是“迄今为止最先进的媒体基础模型（Media Foundation Models）”。

只需一句“把灯笼变成飞向空中的泡泡”，就能替换视频中的物体，同时透明的泡泡正确反射了背景环境。

上传一张自己的照片，就能成为AI电影的主角。

生成的视频不再无声，也不只是能安一个背景音乐。

比如看这里！视频会配合滑板轮子转动和落地配上逼真音效。（注意打开声音）

有人表示，随着大量创作者学会使用AI视频编辑工具，很难想象几年后长视频和短视频会变成什么样。

这一次，与Sora只有演示和官网博客不同，Meta在92页的论文中把架构、训练细节都公开了。

不过模型本身还没开源，遭到抱抱脸工程师贴脸开大，直接在评论区扔下Meta的开源主页链接：

在这等着您嗷。

Meta在论文中特别强调，数据规模、模型大小、训练算力的扩展对于训练大规模媒体生成模型至关重要。通过系统地提升这几个维度，才使得如此强大的媒体生成系统成为可能。

其中最另业界关注的一点是，这一次他们完全扔掉了扩散模型的扩散损失函数，使用Transformer做骨干网络，流匹配（Flow Matching）做训练目标。

用Llama3架构做视频模型

具体来说Movie Gen由视频生成和音频生成两个模型组成。

Movie Gen Video：30B参数Transformer模型，可以从单个文本提示生成16秒、16帧每秒的高清视频，相当于73K个视频tokens。

对于精确视频编辑，它可以执行添加、删除或替换元素，或背景替换、样式更改等全局修改。

对于个性化视频，它在保持角色身份一致性和运动自然性方面取得SOTA性能。

Movie Gen Audio：13B参数Transformer模型，可以接受视频输入以及可选的文本提示，生成与视频同步的高保真音频。

Movie Gen Video通过预训练-微调范式完成，在骨干网络架构上，它沿用了Transoformer，特别是Llama3的许多设计。

• 预训练阶段
• 
  

在海量的视频-文本和图像-文本数据集上进行联合训练，学习对视觉世界的理解。这个阶段的训练数据规模达到了O(100)M视频和O(1)B图像，用以学习运动、场景、物理、几何、音频等概念。

• 微调阶段
• 
  

研究人员精心挑选了一小部分高质量视频进行有监督微调，以进一步提升生成视频的运动流畅度和美学品质。

为了进一步提高效果，模型还引入了流匹配（Flow Matching）作为训练目标，这使得视频生成的效果在精度和细节表现上优于扩散模型。

扩散模型通过从数据分布逐渐加入噪声，然后在推理时通过逆过程去除噪声来生成样本，用大量的迭代步数逐步逼近目标分布。

流匹配则是通过直接学习样本从噪声向目标数据分布转化的速度，模型只需通过估计如何在每个时间步中演化样本，即可生成高质量的结果。

与扩散模型相比，流匹配方法训练更加高效，计算成本更低，并且生成的结果在时间维度上具有更好的连续性和一致性。

在整体架构上，首先通过时空自编码器（Temporal AutoEncoder， TAE）将像素空间的RGB图像和视频压缩到一个时空潜空间，学习一种更加紧凑的表征。

接着，输入的文本提示被一系列预训练的文本编码器编码成向量表示，作为模型的条件信息。这里用到了多种互补的文本编码器，包括理解语义的编码器如UL2、与视觉对齐的编码器如Long-prompt MetaCLIP，以及理解视觉文本的字符级编码器如ByT5。

最后，生成模型以Flow Matching的目标函数进行训练，从高斯分布采样的噪声向量作为输入，结合文本条件，生成一个输出潜码。这个潜码经过TAE解码，就得到最终的图像或视频输出。

此外Movie Gen Video在技术上还引入了多项创新：

为了让模型同时适配图像和视频，设计了一套因子化的可学习位置编码（factorized learnable positional embedding）机制。对高度、宽度、时间三个维度分别编码，再相加。这样即适配了不同宽高比，又能支持任意长度的视频。

针对推理效率问题，它采用了线性-二次时间步长调度（linear-quadratic t-schedule）策略。仅用50步就能逼近1000步采样的效果，大幅提升了推理速度。

为了进一步提高生成效率，Movie Gen Video模型还采用了基于时间平铺（temporal tiling）的推理方法。应对生成高分辨率长视频时，直接对整个视频进行编码和解码可能会遇到的内存限制问题。

在时间平铺推理中，输入视频在时间维度上被分割成多个片段，每个片段独立进行编码和解码，然后在输出时将所有片段重新拼接在一起。这种方法不仅降低了对内存的需求，还提高了推理的效率。

此外，在解码阶段使用了重叠和混合的方式来消除片段边界处的伪影问题，即通过在片段之间引入重叠区域，并对重叠区域进行加权平均，确保生成的视频在时间维度上保持平滑和一致。

另外Meta还开源了多个基准测试数据集，包括Movie Gen Video Bench、Movie Gen Edit Bench和Movie Gen Audio Bench，为后续研究者提供了权威的评测工具，有利于加速整个领域的进步。

这篇长达92页的论文还介绍了更多在架构、训练方法、数据管理、评估、并行训练和推理优化、以及音频模型的更多信息。

感兴趣的可到文末链接查看。

One More Thing

AI视频生成这块，这两天热闹不断。

就在Meta发布Movie Gen之前不久，OpenAI Sora主创之一Tim Brooks跳槽谷歌DeepMind，继续视频生成和世界模拟器方面的工作。

这让很多人想到，就像当年谷歌迟迟不推出大模型应用，Transformer 8个作者纷纷出走。

现在OpenAI迟迟发布不了Sora，主要作者也跑了。

不过另外也有人认为，Tim Brooks选择现在离开，或许说明他在OpenAI的主要工作完成了，也让人开始猜测：

Meta的发布会迫使OpenAI放出Sora来回应吗？

（截至目前为止，Sora的另一位主创Bill Peebles还未发声。）

现在Meta放出了带有视频编辑功能的模型，再加上10月1日Pika 1.5更新，主打给视频中物体加上融化、膨胀、挤压等物理特效。

不难看出，AI视频生成下半场，要开始卷向AI视频编辑了。

文章来源于“量子位”，作者“梦晨 衡宇”