PixelDance視頻生成模型

PixelDance是由字節跳動研發的一種視頻生成模型，于2024年發布。

核心技術

• 基于潛在擴散模型：PixelDance的核心技術是將傳統的2D UNet模型擴展為3D變體，在時序生成方面有了更大的靈活性。通過設置時間注意力層，模型能夠在生成每一幀視頻時，保持不同時刻之間的聯系，并且這一切依賴于來自各類源的視頻數據，這不僅提高了生成視頻的多樣性，也為其生成的高一致性提供了保障。
• 指令注入機制：采用文本指令伴隨首尾幀圖像指令進行視頻生成的指令注入機制。在整個訓練過程中，模型被設計為優先遵循首幀指令，但在推理的最后階段，尾幀指令則作為生成視頻的引導，這種方式讓視頻生成不僅精準，還富有故事性。

模型特點

• 性能提升顯著：在MSR - VTT和UCF - 101公開數據集上，PixelDance取得了非常顯著的性能提升。利用圖像先驗知識的方法，能夠生成一些高質量的視頻內容，在生成長視頻方面的性能超越了現有的視頻生成技術，尤其在保持時間一致性和視頻質量方面取得了顯著的進展。
• 高動作多樣性：其具有顯著更大的特征空間和更強的動作多樣性，能夠處理包含人物復雜連續動作、多鏡頭組合和運鏡控制等任務，表現出色地應對復雜動作與炫酷特效.
• 多種模式與輸入：有基礎模式和高級魔法模式兩種。基礎模式下用戶只需要提供一張指導圖片和一段文本描述，就能生成有高度一致性且有豐富動態性的視頻；高級魔法模式需要用戶提供兩張指導圖片和一段文本描述，可以更好地生成更有難度的視頻內容。并且它能夠處理真實風格、動畫風格、二次元風格、魔幻風格等多種風格的輸入圖片，人物動作、臉部表情、相機視角控制、特效動作等方面也能很好地完成.

應用場景

在諸多應用場景表現良好，比如可根據用戶預設的故事，制作出每個場景和對應的動作，無論是真實場景還是虛幻場景，都能生成細節豐富、動作豐富的視頻，適用于影視創作、廣告傳媒、短視頻、直播、電商等眾多場景，對劇情創作也非常友好。

Seaweed視頻生成模型

Seaweed是字節跳動自研的視頻生成模型，同樣于2024年發布，它面向平臺用戶的開放使用標志著字節跳動在AI視頻領域的重要探索成果。

核心技術與架構

• 基于DiT架構：基于DiT（Diffusion Transformer，擴散模型的一種）架構，使模型能實現大幅度運動畫面流暢自然，這一架構為模型帶來了特殊的優勢，讓視頻在生成時有著更好的畫面流暢性與視覺效果的基礎.

模型特點

• 生成效率優勢：Seaweed的標準版在生成效率方面有較為明顯的優勢。測試顯示，該模型僅需60s就能生成時長5s的高質量AI視頻，大幅領先于國內業界3 - 5分鐘的前沿水平.
• 畫面美感與真實感并存：經過剪映、即夢AI等業務場景的打磨和迭代，具備專業級光影布局及色彩調和，使得畫面視覺極具美感和真實感.

應用場景

可應用于廣泛的場景如游戲視頻制作、短視頻內容創新、動畫設計等場景。無論是對于個人創作者還是專業團隊，在生成具有視覺質量的短片方面能夠有效降低創作門檻，吸引更多觀眾提升內容的可觀看性和分享度。

PixelDance與Seaweed的對比

性能與效果維度

• 動作完成能力：在人物復雜連續動作方面，PixelDance表現突出，能在10s內完成3個連續動作，而Seaweed受限于5s的生成時長不能很精準的表現出如【摘下墨鏡】后【向前走】這樣的連續動作，不過Seaweed人物動作的自然度和眼睛的補足做的還不錯。
• 多鏡頭組合能力：PixelDance在多鏡頭組合方面是頂級的，能夠在單次生成的視頻里很好地呈現不同角度的鏡頭切換；Seaweed整體動作流暢度和幅度是足夠的，但在復刻PixelDance案例時，多次嘗試未能做到鏡頭切換的效果.
• 運鏡控制能力：PixelDance能夠通過prompt精準的控制鏡頭運動的軌跡，如實現【360度環繞】從【側臉】到【正臉】，最終落點在人物的面部特寫；Seaweed雖然實現了【360度】環繞似的運動，但是沒有鏡頭遠近的變化，也沒有落點在人物的面部特寫上.

效率維度

• 生成速度不同：Seaweed生成效率較高，60秒可生成5秒的視頻；而PixelDance在標準模式下時長可達10秒。這表明二者在不同時長需求場景下各有優勢，如果需要快速生成較短時長的視頻，Seaweed可能更合適，如果需要相對較長且更復雜的視頻內容，PixelDance或許更能勝任。

輸入與功能側重

• 指令輸入方式不同：PixelDance使用文本指令伴隨首尾幀圖像指令注入機制，而Seaweed雖未見此類特別強調的指令輸入方式，但從其能力看也有自己在圖片輸入場景下的優勢，如在圖生視頻場景體現出較好的首幀一致性，可以保持與用戶輸入圖的一致性、色彩等細節還原。
• 功能獨特性不同：PixelDance的功能重點更偏向于對復雜動作、鏡頭組合和運鏡控制等；Seaweed模型則在畫面的光影布局、色彩調和、畫面的穩定與流暢方面有自己的特色。

PixelDance和Seaweed視頻生成模型的應用案例

PixelDance的應用案例

• 影視創作方面：在影視中，可以根據預設的情節腳本，當輸入包含人物在不同情緒狀態下的文本描述以及對應的首尾幀圖像，比如特寫一個女人的面部有些生氣，戴上了一副墨鏡，這時一個男人從畫面右側走進來抱住了她，PixelDance能夠按照指令的時序去完成連續的動作，多個主體之間能夠順暢交互并且人物表情能準確傳達指令情緒，完成影視劇情片段的創作。
• 廣告傳媒方面：例如在為一款汽車制作廣告時，可以提供一張汽車在起始場景（如在城市繁華街道起點）的圖片為起始幀，結合一段展現汽車性能、外觀吸引點的文字描述，如“汽車飛馳在街道上，炫目的外觀吸引路人目光，瞬間加速超車”，并可以選擇再提供一張汽車到達目的地（如在山頂眺望城市）的圖片為尾幀，PixelDance則能夠生成一個汽車從街道起步到開上山頭的視頻，視頻中可以包含復雜的運鏡，如跟隨汽車的360度環繞，鏡頭的拉近推遠，多主體像行人與汽車的互動等，很好地展示汽車的特點，用于廣告推廣。
• 短視頻創作方面：對于一些搞笑短視頻創作，創作者可以給出如一個人搞笑表情的起始幀圖片，配合一段描述這個人接下來發生一系列搞笑動作（如滑倒、爬起后又撞到桿子等）的文字內容，利用PixelDance生成具有搞笑劇情的短視頻內容。

Seaweed的應用案例

• 游戲視頻制作方面：在制作游戲宣傳視頻時，如果有一幅游戲中主角站在神秘城堡前的初始畫面，通過輸入關于主角進入城堡探索（如探索神秘寶藏、與怪物戰斗等）相關的文本描述，Seaweed能夠生成一段5秒左右游戲畫面流暢自然，視覺效果真實且具有專業光影布局的精彩片段，用于游戲的宣傳推廣。
• 短視頻內容創新方面：例如在美食短視頻制作中，輸入一張精美的美食擺在桌上的圖片，加上一段介紹美食口感、烹飪過程等的文字描述，Seaweed能在較短時間內生成具有較高視覺美感的短視頻，美食在畫面中的呈現因良好的色彩調和顯得更加誘人。
• 動畫設計方面:動畫設計初期概念驗證階段，輸入一些簡單的角色起始畫面，配合關于角色動作、場景轉換等的文字構思，Seaweed較快生成的動畫視頻可幫助設計師直觀地感受設計方案的初步視覺效果以便快速調整創意方向。

PixelDance與Seaweed視頻生成模型的優缺點分析

PixelDance的優缺點

優點

• 動作處理與鏡頭控制：在人物動作處理的能力上比較強，像復雜連續動作、多鏡頭組合、運鏡控制等方面都是它的亮點。因為其較大的特征空間和動作多樣性，可以高質量的完成復雜場景的構建以及多主體間復雜交互動作的呈現，這對于需要在視頻中體現出復雜劇情、多角色互動或是有特殊運鏡要求的創作場景非常有優勢，如電影創作中的武打場面、追逐場景等都能得到較好的體現.
• 多種風格的適應與特效：能夠處理多種風格（真實風格、動畫風格、二次元風格、魔幻風格等）的輸入內容并且在特效處理方面（人物動作、臉部表情、相機視角控制、特效動作等）有較好的表現，這使得它可以靈活應用于各種風格和創意需求的視頻制作。無論是制作一部奇幻風格的微電影，還是簡單的酷炫特效短視頻都能滿足需求.
• 獨特的指令機制：它的文本指令伴隨首尾幀圖像指令的機制，既保證了視頻生成的準確性，又能讓視頻富有故事性。通過優先遵循首幀指令進而參考尾幀指令，使得視頻生成過程中不同時刻畫面之間的聯系有更好的邏輯性，在長視頻制作時能夠保持較好的時間一致性.

缺點

• 相對復雜的制作難度：由于其功能聚焦在多主體交互、復雜動作和運鏡控制等高級特性上，對于普通用戶或者初學者來說，使用起來可能會有一定的難度，需要更多的時間去理解和掌握如何有效地給出指令來實現自己想要的視頻效果。
• 可能較長的生成時間：盡管具體的生成時間沒有準確的數據表明長于Seaweed ，但是從它生成視頻可以達到10秒并且包含更多復雜的動作和鏡頭效果來看，在硬件資源有限的情況下可能相比Seaweed會花費更多時間在生成視頻上。而對于一些需要快速出片的場景可能會受到限制。

Seaweed的優缺點

優點

• 生成效率高：短短60秒就能生成5秒時長的高質量視頻，這在效率方面是其很大的優勢。尤其是對于一些對視頻生成速度要求很高的短視頻創作場景，如新聞資訊類短視頻、即時熱點的短視頻反應等方面，可以快速地生成所需的視頻內容投入使用.
• 畫面視覺效果好：無論是其在光影布局、色彩調和方面的專業級處理能力，還是得益于DiT架構實現的大幅度運動畫面流暢自然的特性，都為畫面視覺效果帶來了很高的分數。像商業廣告、藝術短片等對于畫面視覺美感要求高的場景下可以有很好的應用表現.
• 上手難度低：模型相對來說可能更偏向于基礎視覺層面的高質量輸出，沒有PixelDance在動作、鏡頭組合等方面那么復雜的功能，可能對于普通用戶來說更容易上手，對于不擅長處理復雜指令的創作者而言是比較友好的選擇。

缺點

• 動作與鏡頭控制局限性：在人物復雜連續動作、多鏡頭組合以及運鏡控制等方面的能力相對較弱。在需要體現多主體復雜交互動作、多樣的鏡頭切換及精準運鏡控制的場景下，如一些動作大片的片段生成或者情節復雜的故事性短視頻創作時可能無法達到很高的要求.
• 功能相對單一性：主要集中在畫面視覺效果的提升方面，模型的功能更多偏向于保證畫面本身看起來更好看、更流暢自然，相比PixelDance在處理多種風格輸入、多種特效動作以及故事邏輯生成等方面缺乏更多的特性。