Vlogger

Vlogger

多模型协作生成长视频博客的AI系统

Vlogger是一个创新AI系统,可根据文本描述生成分钟级视频博客。该系统利用大型语言模型作为导演,将长视频生成任务分解为四个阶段,并调用多种基础模型扮演专业角色。Vlogger引入了视频扩散模型ShowMaker,融合文本和视觉提示以增强空间-时间连贯性。系统能从开放描述生成超过5分钟的连贯vlogs,在脚本和演员方面保持一致性。

VloggerAI系统视频生成大语言模型ShowMakerGithub开源项目
<div align="center"> <a href="https://arxiv.org/abs/2401.09414"> <img width="743" alt="image" src="https://github.com/zhuangshaobin/Vlogger/assets/24236723/2885982e-5b18-48b3-97b1-966298329350"> </a>

庄绍斌, 李坤昌, 陈鑫源†, 王耀辉†, 刘子为, 乔俊飞, 王亚利†

arXiv 项目主页 Hugging Face 模型 Hugging Face 空间 YouTube 视频 访问量

</div> </div>

在这项工作中,我们提出了Vlogger,一个能够根据用户描述生成分钟级视频博客(即vlog)的通用AI系统。与只有几秒钟的短视频不同,vlog通常包含复杂的故事情节和多样化的场景,这对大多数现有的视频生成方法来说是一个挑战。为了突破这个瓶颈,我们的Vlogger巧妙地利用大型语言模型(LLM)作为导演,将长视频生成任务分解为四个关键阶段,在每个阶段我们调用各种基础模型来扮演vlog专业人士的重要角色,包括(1)编剧、(2)演员、(3)制作人和(4)配音员。通过这种模仿人类的设计,我们的Vlogger可以通过自顶向下的规划和自底向上的拍摄的可解释合作来生成vlog。此外,我们还引入了一个新颖的视频扩散模型ShowMaker,它在我们的Vlogger中充当摄影师的角色,负责生成每个拍摄场景的视频片段。通过将编剧和演员作为文本和视觉提示有针对性地融入,它可以有效增强片段的时空连贯性。另外,我们为ShowMaker设计了一个简洁的混合训练范式,提升了其文本到视频生成和预测的能力。最后,大量实验表明,我们的方法在零样本文本到视频生成和预测任务上达到了最先进的性能。更重要的是,Vlogger可以从开放世界的描述中生成超过5分钟的vlog,而不会在剧本和演员方面失去视频的连贯性。

<div align="center"> <video src="https://github.com/zhuangshaobin/Vlogger/assets/94739615/1e8dd246-d3b9-49e9-8eee-d40b6d8523b9" controls="controls" width="500" height="300"></video> <b>生成的<a href="https://youtu.be/ZRD1-jHbEGk">泰迪旅行</a>的压缩版本。</b> </div>

使用方法

<details> <summary><h3>设置</h3></summary> <h4>准备环境</h4>
conda create -n vlogger python==3.10.11 conda activate vlogger pip install -r requirements.txt
<h4>下载我们的模型和文本到图像基础模型</h4>

我们的模型基于Stable diffusion v1.4,您可以下载Stable Diffusion v1-4OpenCLIP-ViT-H-14pretrained目录。 从Google DriveHugging Face下载我们的模型(ShowMaker)检查点,并保存到pretrained目录。

现在在./pretrained下,您应该能看到以下内容:

├── pretrained
│   ├── ShowMaker.pt
│   ├── stable-diffusion-v1-4
│   ├── OpenCLIP-ViT-H-14
│   │   ├── ...
└── └── ├── ...
        ├── ...
</details> <details> <summary><h3>LLM规划推理和生成参考图像</h3></summary>

运行以下命令获取脚本、演员和主角:

python sample_scripts/vlog_write_script.py
  • 生成的脚本将保存在results/vlog/$your_story_dir/script中。

  • 生成的参考图像将保存在results/vlog/$your_story_dir/img中。

  • :warning: 在vlogger/planning_utils/gpt4_utils.py文件的第7行输入您的OpenAI密钥。

</details> <details> <summary><h3>vlog生成推理</h3></summary>

运行以下命令获取vlog:

python sample_scripts/vlog_read_script_sample.py
  • 生成的视频将保存在results/vlog/$your_story_dir/video中。
</details> <details> <summary><h3>(T+I)2V 推理</h3></summary>

运行以下命令获取 (T+I)2V 结果:

python sample_scripts/with_mask_sample.py
  • 生成的视频将保存在 results/mask_no_ref 中。
</details> <details> <summary><h3>(T+I+Ref)2V 推理</h3></summary>

运行以下命令获取 (T+I+Ref)2V 结果:

python sample_scripts/with_mask_ref_sample.py
  • 生成的视频将保存在 results/mask_ref 中。
</details> <details> <summary><h3>更多详情</h3></summary>

您可以修改 configs/with_mask_sample.yaml 来更改 (T+I)2V 条件,修改 configs/with_mask_ref_sample.yaml 来更改 (T+I+Ref)2V 条件。 例如:

  • ckpt 用于指定模型检查点。

  • text_prompt 用于描述视频内容。

  • input_path 用于指定输入图像的路径。

  • ref_path 用于指定参考图像的路径。

  • save_path 用于指定生成视频的保存路径。

</details>

结果

(T+Ref)2V 结果

<table class="center"> <tr> <td style="text-align:center;width: 50%" colspan="1"><b>参考图像</b></td> <td style="text-align:center;width: 50%" colspan="1"><b>输出视频</b></td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/3bcc012f-7524-4331-a44c-c0531be74d22.png" width="250"> <br> <p align="center">场景参考</p> </td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/96022b03-8550-4a9f-8017-99c72985e648.gif" width="400"> <br> <p align="center">烟花在金字塔上空绽放。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/6646a5df-6a23-4302-88f4-164432234579.png" width="250"> <br> <p align="center">场景参考</p> </td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/a7ded878-75f8-4986-915e-93d6655be344.gif" width="400"> <br> <p align="center">长城被熊熊烈火燃烧。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/afb087ee-91e6-4152-9b58-edbc1be30255.png" width="250"> <br> <p align="center">物体参考</p> </td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/f47251d6-fc94-40f1-9e28-e72b2b36e88e.gif" width="400"> <br> <p align="center">一只猫在海滩上奔跑。</p> </td> </tr> </table>

(T+I)2V 结果

<table class="center"> <tr> <td style="text-align:center;width: 50%" colspan="1"><b>输入图像</b></td> <td style="text-align:center;width: 50%" colspan="1"><b>输出视频</b></td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/d2ededd0-efc3-408e-b90d-a15c235d2115.png" width="400"></td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/f1d8cb36-3b68-469a-8193-7eb3cde4a4cf.gif" width="400"> <br> <p align="center">水下环境中的化妆品瓶。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/21769c31-cc5f-45b9-a102-370f8f434b40.png" width="400"></td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/9abe3dae-4654-4d85-8fb0-3dfa596f1972.gif" width="400"> <br> <p align="center">一大滴水落在玫瑰花瓣上。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/343f63ad-1e28-43fa-8c92-078bac52dba0.png" width="400"></td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/28605237-bed4-4551-9ac6-ddf6c4824f26.gif" width="400"> <br> <p align="center">一条鱼游过一位东方女性身边。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/f77eab23-e717-4e6e-88ef-22b21b36c8be.png" width="400"></td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/38694f96-f043-4195-9806-c1e941a9f86f.gif" width="400"> <br> <p align="center">电影般的照片。驾驶飞机的视角。</p> </td> </tr> <tr> <td><img src="https://yellow-cdn.veclightyear.com/835a84d5/120a11cf-085b-40cd-a781-e52cea6034ee.png" width="400"></td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c73221b6-f3fa-40b4-803d-cfa99e593ed0.gif" width="400"> <br> <p align="center">行星撞击地球。</p> </td> </tr> </table>

文本到视频生成结果

<table> <tr> <td style="text-align:center;width: 66%" colspan="2"><b>输出视频</b></td> </tr> <tr> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/e078aa92-80c4-4b20-8eb6-9add2c300739.gif"/> <br> <p align="center">一只鹿回头看身后的日落。</p> </td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/5ee58e8d-d9b4-4fb6-aff3-d37cc1f4a8af.gif"/> <br> <p align="center">一只鸭子在教另一只鸭子数学。</p> </td> </tr> <tr> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/d784ead3-8041-48a6-bf9c-cf0d2ad60eeb.gif"/> <br> <p align="center">贝索斯探索热带雨林。</p> </td> <td> <img src="https://yellow-cdn.veclightyear.com/835a84d5/a538591a-ec12-4d8e-9d2a-3583c9941817.gif"/> <br> <p align="center">浅蓝色的海水拍打着海滩。</p> </td> </tr> </table>

BibTeX

@article{zhuang2024vlogger, title={Vlogger: Make Your Dream A Vlog}, author={Zhuang, Shaobin and Li, Kunchang and Chen, Xinyuan and Wang, Yaohui and Liu, Ziwei and Qiao, Yu and Wang, Yali}, journal={arXiv preprint arXiv:2401.09414}, year={2024} }
@article{chen2023seine, title={SEINE: Short-to-Long Video Diffusion Model for Generative Transition and Prediction}, author={Chen, Xinyuan and Wang, Yaohui and Zhang, Lingjun and Zhuang, Shaobin and Ma, Xin and Yu, Jiashuo and Wang, Yali and Lin, Dahua and Qiao, Yu and Liu, Ziwei}, journal={arXiv preprint arXiv:2310.20700}, year={2023} }
@article{wang2023lavie, title={LAVIE: High-Quality Video Generation with Cascaded Latent Diffusion Models}, author={Wang, Yaohui and Chen, Xinyuan and Ma, Xin and Zhou, Shangchen and Huang, Ziqi and Wang, Yi and Yang, Ceyuan and He, Yinan and Yu, Jiashuo and Yang, Peiqing and others}, journal={arXiv preprint arXiv:2309.15103}, year={2023} }

免责声明

我们对用户生成的内容不承担责任。该模型未经训练以逼真地表现人物或事件,因此使用它生成此类内容超出了模型的能力范围。禁止生成色情、暴力和血腥内容,以及生成贬低或伤害他人或其环境、文化、宗教等的内容。用户对自己的行为完全负责。项目贡献者在法律上与用户的行为没有关联,也不对用户的行为负责。请负责任地使用生成模型,遵守道德和法律标准。

联系我们

庄少彬: zhuangshaobin@pjlab.org.cn, 李坤昌: likunchang@pjlab.org.cn 陈昕源chenxinyuan@pjlab.org.cn王耀辉wangyaohui@pjlab.org.cn

致谢

本代码基于SEINELaViediffusersStable Diffusion构建,我们感谢所有开源贡献者。

许可证

代码采用Apache-2.0许可证,模型权重完全开放用于学术研究,并允许免费商业使用。如需申请商业许可,请联系zhuangshaobin@pjlab.org.cn

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多