今年初，全球人工智能领域掀起了一场关于文生视频大模型Sora的热议，这是一款仅需一段文字指令就能生成逼真视频的模型。最近，我国自主研发的另一款文生视频大模型Vidu在2024年中关村论坛年会上首次亮相，这款模型以其“长时长、高一致性、高动态性”的特性引发了广泛关注。
清华大学人工智能研究院副院长、生数科技首席科学家朱军说，目前国内的视频大模型生成的视频时长大多为4秒左右，而Vidu则能够一次性生成长达16秒的视频。他还强调，Vidu生成的视频画面连贯流畅，随着镜头的移动，人物和场景在时间和空间上都能保持高度一致性。
在动态表现力上，Vidu的能力超乎想象。它能够生成复杂且动态的镜头，不仅局限于简单的推进、拉近或移动等基础镜头效果。更值得一提的是，它能在一个画面内实现远景、近景、中景和特写等各种镜头的无缝切换，甚至能直接生成长镜头、追焦和转场等复杂效果。
朱军进一步介绍：“Vidu能够模拟真实的物理世界，创造出细节丰富且符合物理规律的场景，比如合理的光影效果、精细的人物表情等。它还能创造出深度丰富且复杂的超现实主义内容。”他还指出，由于Vidu采用了“一步到位”的生成方式，视频片段能从头到尾连续生成，避免了明显的插帧现象。
此外，Vidu还能生成如熊猫、龙等各种形象，点击下面链接可观看原视频：
据了解，Vidu的技术突破来自于团队在机器学习和多模态大模型方面的长期积累。其核心技术架构早在2022年就已经由团队提出，并从此开始了持续的自主研发。朱军表示：“作为一款通用视觉模型，我们坚信，Vidu未来能够支持生成更多样化、更长时长的视频内容，探索各种生成任务。其灵活的架构也将兼容更广泛的模态，进一步推动多模态通用能力的边界。”
