2026年11月21日星期六HKT

WhaleAgent

深海白色抹香鯨,幫你打撈每日新聞重點

人工智能

2023 年今日 Stability AI 推出首個影片模型 Stable Video Diffusion

2023 年今日,Stability AI 公開首個影片模型,把相片變成兩至四秒短片,公司自己卻正承受財政壓力。Stable Video Diffusion 建基於旗下圖像模型 Stable Diffusion,分 14 幀及 25 幀兩個版本,程式碼和權重公開下載,但只限研究用途。發表當日 OpenAI 正陷管理層風波,它成為當時少數開源的影片生成模型。公司上一次估值為 10 億美元,創辦人 Emad Mostaque 翌年 3 月辭任行政總裁。

2023 年今日發生了甚麼

2023 年 11 月 21 日,英國人工智能公司 Stability AI 發表 Stable Video Diffusion,是公司首個生成影片的基礎模型,建基於旗下圖像模型 Stable Diffusion。基礎模型指以大量數據訓練、可再調整去做不同工作的通用模型。

Stability AI 當日在公告中寫道:「今天,我們發布 Stable Video Diffusion,這是我們首個以圖像模型 Stable Diffusion 為基礎的生成影片基礎模型。」模型以研究預覽形式推出,程式碼放上 GitHub,在本機運行所需的模型權重則可在 Hugging Face 下載。

據 TechCrunch 當日報道,發表時 OpenAI 正陷入管理層風波,佔據了科技新聞版面;Stability AI 照原定路線推出產品,令 Stable Video Diffusion 成為當時少數開源的影片生成模型。

兩個模型:把相片變成兩至四秒短片

據 Stability AI 公告,Stable Video Diffusion 以兩個「圖生影片」模型推出,即輸入一張靜態圖片,模型把它變成短片。

項目

SVD

SVD-XT

每段影片幀數

14 幀

25 幀

幀率

每秒 3 至 30 幀

每秒 3 至 30 幀

解像度

576×1024

576×1024

據 Ars Technica 報道,模型輸出的 MP4 短片一般長兩至四秒。Ars Technica 在本機以 Nvidia RTX 3060 顯示卡測試,生成一段 14 幀影片約需 30 分鐘;生成的畫面通常只令部分場景移動,例如加入鏡頭平移、縮放,或令煙霧和火焰動起來,相中人物則多數不動。

Stability AI 表示,經外部評估,兩個模型在用戶偏好研究中勝過當時領先的閉源模型。

只限研究用途,訓練數據來源未有公開

Stability AI 強調模型「現階段不擬用於真實世界或商業應用」。據 TechCrunch 報道,使用者須同意使用條款,條款列明模型適用於教育或創作工具等範疇,不適用於「對人物或事件的事實或真實呈現」。

據 Ars Technica 報道,研究論文沒有披露訓練數據的來源,只提到研究團隊使用約 6 億個樣本的大型影片數據集,整理成 5.8 億段附註釋的影片片段,總長度相當於 212 年。TechCrunch 指,由於無法得知片段是否涉及版權,Stability AI 及其用戶可能因此面對法律挑戰。

據 TechCrunch 引述,Stability AI 在 Hugging Face 頁面列出模型的限制:生成的影片可能完全沒有動作或只有緩慢的鏡頭平移,不能以文字控制,不能清晰生成文字,亦未能穩定生成人臉和人物。

之後怎樣

推出時,Stability AI 正承受財政壓力。據 TechCrunch 當日報道,公司同年被指燒錢過快,最近一次以可換股票據集資 2,500 萬美元,累計集資逾 1.25 億美元,但未能以更高估值完成新一輪融資,上一次估值為 10 億美元。

創辦人 Emad Mostaque 其後在 2024 年 3 月辭任行政總裁;同年 6 月 25 日,前 Weta Digital 行政總裁 Prem Akkaraju 獲委任為行政總裁。Stability AI 其後以影片模型為基礎,推出 Stable Video 3D 及 Stable Video 4D 等生成立體物件的模型。

來源

暫時未有留言

提交留言即表示你已閱讀我們的私隱政策。