AI生成視頻正在熱烈的研究和應用中，文生視頻、圖像生視頻帶來的新鮮感和動態感，受到大家廣泛關注。通過生成式AI視頻工具，你說一段描述，自動生成相應的視頻。你還可以選擇一張圖片，也能實現將靜止圖像轉化為動態視頻，讓文字和圖片瞬間活起來。

今天來介紹一款Stability AI 發布的基于人工智能的視頻生成工具Stable Video Diffusion，它可以根據用戶提供的文本描述或圖片，自動生成高質量的視頻內容。

Stable Video Diffusion 是 Stability AI 發布的基于圖像模型 Stable Diffusion 生成視頻的基礎模型。它是一個先進的生成式 AI 視頻模型。Stable Video Diffusion 可以適應各種下游任務，包括從單一圖像進行多視角合成和在多視角數據集上進行微調。Stable Video Diffusion 是 Stability AI 多樣化開源模型系列的一部分，涵蓋圖像、語言、音頻、3D和代碼。

目前Stable Video Diffusion 的代碼已在 Stability AI 的 GitHub 倉庫中提供。運行模型所需的權重可以通過他們的 Hugging Face 頁面訪問。我們從技術原理、產品特點以及使用體驗來說明一下Stable Video Diffusion的發展現狀。

從技術原理上講，Stable Video Diffusion提出了將潛在視頻擴散模型擴展到大型數據集的穩定視頻擴散模型，這是一種用于高分辨率、最先進的文本到視頻和圖像到視頻生成的潛在視頻擴散模型。通過插入時間層并在小型高質量視頻數據集上對其進行微調，為2D圖像合成訓練的潛在擴散模型已轉換為生成視頻模型�；�于該模型Stable Video Diffusion目前確定并評估了視頻LDM成功訓練的三個不同階段：文本到圖像預訓練、視頻預訓練和高質量視頻微調。

從產品特點看，除了文本到視頻和圖像到視頻的生成，還支持多幀生成。Stable Video Diffusion提供了兩種圖像到視頻的模型形式，支持14或25幀的視頻生成，分辨率高達576 x 1024。用戶可以根據自己的需求選擇適合的幀率，從而決定視頻的流暢度。高分辨率保證了視頻的清晰度，讓細節得以呈現。同時其提供的幀插值技術可以在幀數較少的情況下，使視頻看起來更加平滑。Stable Video Diffusion還支持3D場景生成，目前該功能同時容納了單個圖像和軌道視圖，允許沿著指定的相機路徑創建3D視頻。能夠生成更具空間感的視頻。Stable Video Diffusion提供了更精細的攝像機控制功能。通過LoRA控制攝像機，用戶可以精確控制攝像機的位置和角度，從而實現更加精細的視頻創作。

如何使用呢？首先訪問Stable Video Diffusion的官方網站，下載本地一鍵整合包。按照安裝向導的指示完成安裝過程。安裝完成后，打開本地一鍵整合包。在界面中選擇“文本到視頻”或“圖像到視頻”功能，根據您的需求進行選擇。我們以圖片轉視頻為例，選擇一張靜態圖片作為輸入。圖片的質量高生成的視頻視覺效果更好。然后設置視頻參數包括視頻的幀率、分辨率等參數。Stable Video Diffusion支持14或25幀的生成，分辨率為576 x 1024。點擊“生成”按鈕，等待一些時間生成視頻。生成完成后，選擇“導出”選項，將視頻保存到您指定的文件夾中。生成時間各不相同，但在 V100 GPU 上通常約為 2 分鐘。

使用體驗來看，Stable Video Diffusion作為AI視頻生成工具，其特點包括本地一鍵整合包的使用，簡化了工具使用流程，提高了視頻創作效率，其生成的視頻也較為高質量。但是目前看也有局限性，首先從模型來看，視頻擴散模型的采樣速度通常很慢，并且對VRAM的要求很高。盡管潛在方法提供了效率優勢，但一次生成多個關鍵幀在訓練和推理過程中都是昂貴的。

其次長視頻合成方面存在一些根本性的缺點，生成的視頻相當短，不到四秒，無法實現完美的逼真度。還可能會生成沒有運動的視頻，或者相機平移速度非常慢。通常可能無法正確生成人臉和人物。對文本的理解也有缺憾。