“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。
提示词：一名亚洲男子带着护目镜游泳，身后是另一名穿潜水服的男子
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。
提示词：一个女孩儿从汽车上下来，远处是夕阳
另外，PixelDance 支持多种风格比例。（说你呢 Runway）
提示词：水墨风格的鸟，比例 16:9
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。
背后论文揭示「PixelDance」原型
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：
基于潜在扩散模型，结合视频片段的首帧和尾帧图像指令与文本指令进行视频生成，并有效利用公开视频数据进行训练。
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。
- 文本指令源于使用详细的文本注释以精确描述视频的帧和动作
- 首帧图像指令描述了视频片段的主要场景
- 尾帧图像指令（在训练和推理过程中可选使用）描绘了视频片段的结尾，并提供了额外的控制
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：
将该数据集与 WebVid-10M 结合训练后，如果图像指令没有水印，PixelDance 就能够生成无水印的视频。
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？
