阿里版“马良神笔”来了，轻轻一抹让蒙娜丽莎对你微笑

文｜王怡宁

来源丨36氪旗下AI公众号智能涌现

图片来源：由无界 AI生成

近半年来，文生视频、图生视频类的工具层出不穷，让人眼花缭乱。但不少实际体验过的用户一定会感受到，脑中的想法转化为语言尚且不易，而人类的语言复杂而精妙，想要再找到准确的提示词，让AI正确理解我们的意图，继而转换为图片和视频，实在是太难了。

为了把用户和AI都从这种“词不达意”的困境中解救出来，开发者们做了很多有趣的探索。

比如阿里云科研智算团队近期开源的图生视频模型Animate Anything，就开发了运动笔刷功能，就像用了“马良神笔”一般让图片一抹即动。

不仅要动起来，还要准确和真实

一个简单好用的图生视频工具应该长什么样？最近，阿里云科研智算团队给出了他们的答案：高保真+高可控性。

Animate Anything是阿里云科研智算团队从去年7月就着手研究的图生视频项目。当时，虽然已经有不少文生图领域的公司如Midjourney、Stability AI等走红，但图生视频领域的研究都还非常少，更别说有成熟可用的模型了。

Animate Anything的开发团队就开始探索通过什么技术让图片动起来既精准、又连贯。

以往AI生成视频的一个常见问题是精细度受损——图片在生成视频的过程中，常常容易出现原图被扭曲变形的问题，尤其是在人物面部特征和皮肤纹理这些细节上，导致生成视频很容易就有“一眼假”人工感，甚至在几秒内就让人“改头换面”。

就像以下这张马斯克的经典图片一样，经过Gen-2的“巧手”，简直是本人来了都不敢相认的程度。

但是，Animate Anything通过技术手段提高了生成视频对原图像的保真度。团队在阿里VideoComposer模型的基础上做了微调，清理过滤了千万量级HD- VILA-100M数据集，从中挑选出了20万个视频片段。在训练过程中，算法工程师通过保留每一个视频的第一帧，往剩下帧上加入噪声的方法，让网络学习并预测出完整视频。这种方式让图片在“动”起来的同时，还能对原图的画面保持较高的还原度。

可控性的提高也提升了生成视频的良品率。也就是说，以往用户可能需要生成10个视频，才有1个符合要求。但现在，用户可以在两三次尝试后就得到一个满意的视频，这有助于用户体验感的提升。

△图源：Animate Anything

在图生视频工具的使用中，另一个常常让用户体验大打折扣的点在于，如何让AI准确地理解文字提示词。特别是当一张图片所呈现的内容丰富且复杂时，如何能够实现仅仅只让前景或后景的一部分动起来呢？

Animate Anything提供了一种能够精确控制部分区域动起来的工具“运动笔刷”（motion brush），即使画面繁复如张择端的《清明上河图》，也只要在图上轻轻一抹，就能实现车水马龙的自然流动感。

△图源：Animate Anything

据开发团队介绍，这一功能主要是通过在图片上添加「运动图层」（motion mask）来实现的。

简单来说，在训练模型时，算法工程师从真实的视频素材中生成了只有指定区域运动的视频，将这部分区域标记为可动区域图层，再引导网络学习可动区域图层与真实视频之间的运动关系。

最后，当用户输入图片与指定的运动图层以后，网络就可以实现让图片特定区域动起来的效果。

△图源：Animate Anything

以上图为例，用户涂抹红色和绿色部分以后，模型结合以往基于在真实视频中添加运动图层的训练，就可以预测行人和游船的动态效果。用户输入图片以后，模型识别到需要动态化的区域，叠加运动图层，就可以让红色区域的行人走动起来，让绿色区域的船穿行水上，实现精准地动态视频生成效果。

除了让图片动起来以外， Animate Anything团队引入了「运动强度」（motion strength）这一标准，来衡量物体的运动速度，让物体的运动更符合用户的体感。此外，Animate Anything还提供了更多参数调整的设置，比如可以控制动作的幅度、强度等。

以官方放出的视频为例，运动强度从4增强至20，可以让图中的兔子实现从双耳晃动到全身跳跃的姿态变化。

△图源：Animate Anything

Animate Anything开发团队告诉智能涌现，「运动笔刷」和「运动强度」两个功能的引入，颇受合作商的青睐。尤其是对于一些从事传统出版业务的合作伙伴，在数字化过程中，如何解决让以往教科书中的图“动起来”是关键问题，而运动笔刷和运动强度的控制，为他们提供了一种操作难度更低的选择。

现在，Animate Anything也已经被集成到了阿里云内部的“数字出版Copilot”工具中，AI工具+传统编辑器=更好用的Saas服务，从一线业务出发的导向也让Animate Anything早早走通了商业化之路。

构建高质量数据集是技术难点

2023年是大语言模型的浪潮席卷全球的一年，也是多模态模型不断涌现的一年。

除了Animate Anything以外，阿里在去年还发布了多个多模态模型。

比如，阿里在去年11月发布的Animate Anyone，只需一张人物照片，结合骨骼动画，就能生成人体动画视频。

△图源：Animate Anything

目前，基于Animate Anyone技术开发的全民舞王已经在通义千问App内正式上线。用户只需要上传一张真人或动漫全身照即可生成热舞视频，并且现在支持科目三、秧歌舞、蒙古舞等多种类型。

不过，这一赛道的竞争也是相当激烈。事实上，就在阿里推出Animate Anyone后几天，字节就紧随其后发布了Magic Animate，还抢先一步实现了开源。

放眼硅谷，竞争同样激烈，Midjourney、Runway等不断迭代优化，大厂们如OpenAI和Google也蓄势待发，不断优化着自研模型。

不过，如果说文字领域的GPT模型已经迭代到GPT-4时代，那么在AI生成式视频领域则还处在更早期。不少业内从业者都表示，如今的AI生成式视频，技术发展阶段大概在GPT-2时代——也就是说，这一领域的“ChatGPT时刻”还没到来。

从现状看，当前文生/图生领域的技术路线尚未收敛，各家厂商都还在技术探索期。Animate Anything开发团队也表示，图生视频领域还有很多技术难点没有解决。

比如，最大的问题是清晰度受限，以及生成视频时间较短（普遍在2-3秒左右）的问题。就算能够拉长视频时长到十来秒，但其中的动作细节、清晰度也无法达到理想水平。

而如果要让视频更长、更清晰，海量高质量的视频训练素材必不可少。所以，如何构建高质量的训练数据集，是未来这一领域的模型构建要解决的关键问题。Animate Anything开发团队直言：

“如果构建了高质量的数据集，就已经成功了一半了。”

近期，Stability AI开源了它们的AI视频大模型Stable Video Diffusion，吸引了更多团队进入AI视频生成领域。目前，各家的训练路线还都比较接近，也意味着未来一两年内，这一赛道可能会迎来较为激烈的竞争。

不过，Animate Anything对后续的产品升级迭代有较为明确的想法，希望增加模型参数和训练视频的规模。此外，团队还计划在目前的基础上进一步加入视频编辑功能，在提升可用性的同时，让这个产品在商业上有更多的想象力。