原文來源：量子位

圖片來源：由無界 AI生成

一句話，就讓綠巨人戴上VR眼鏡。

4K畫質那種。

熊貓的奇幻漂流~

這是字節最新的AI視頻生成模型MagicVideo-V2，各種奇思妙想的想法都能實現。它不僅支持4K、8K超高分辨率，輕鬆hold各種繪圖風格。

△從左往右：油畫風、賽博風、設計風

測評效果超過Gen-2、Pika以及現有AI視頻生成工具。

結果上線不到24小時就引發眾人圍觀，比如一條推文就有近20萬瀏覽量。

不少網友驚訝其效果，甚至直言：比runway和pika還要好。

“比runway和pika還要好”

研究人員也的確進行了實際的效果比較。选手分別為：MagicVideo-V2、StabilityAI的SVD-XT，新潛力玩家Pika1.0，以及Runway的Gen-2。

第一輪：光影效果。

夕陽西下，旅行者獨自行走在迷霧森林中。

（從左到右依次是：MagicVideo-V2、SVD-XT，右上Pika，右下Gen-2，下同）

可以看到，MagicVideo-V2、Gen-2和Pika都有明顯的光影。不過Pika看不出是為旅行者，MagicVideo-V2的色調更為豐富。

第二輪：情境劇情的表達。

1910 年代的情景喜劇，講述社會中的日常生活和瑣事

這一輪明顯也是MagicVideo-V2、Gen-2更勝一籌。SVD-XT呈現的中景構圖，雖然年代體現出來了，但表達不夠。

第三輪：寫實。

小男孩在公園的小路上騎着自行車，車輪踩在碎石上發出嘎吱嘎吱的聲音.

這次對比就更為明顯了。MagicVideo-V2和SVD-XT是完整體現出句子意思的，不過MagicVideo-V2可以看到小孩明顯腳在動的細節。

除此之外，研究人員還將MagicVideo-V2與當下最先方法進行一對一的人類評估。

結果显示，相較於其他方法，人們認為MagicVideo-V2的效果更好。

（綠色、灰色和粉色條分別代表 MagicVideo-V2 被評價為更好、相當或較差的試驗效果。）

如何實現？

簡單來說，MagicVideo-V2是一條視頻生成流水線，集成了文本到圖像模型、視頻運動生成器、參考圖像嵌入模塊、插值模塊。

首先是有T2I模塊首先根據文字生成1024×1024圖像，隨後I2V模塊對該靜態圖像進行動畫處理，生成600×600×32的幀序列，然後再用V2V模塊增強，並完善視頻內容，最後再用插值模塊將序列擴展到94個幀。

這樣一來，既保證了高保真，時間上也有連續性。

不過早在2022年11月字節曾推出了MagicVideo V1版。

不過，當時更強調的是高效性，它能在單個GPU卡上生成256x256分辨率的視頻。

參考鏈接：
https://twitter.com/arankomatsuzaki/status/1744918551415443768?s=20
項目鏈接：
https://magicvideov2.github.io/
論文鏈接：
https://arxiv.org/abs/2401.04468
https://arxiv.org/abs/2211.11018