介绍
Make-A-Video 是 Meta AI 推出的文本生成视频(文生视频)研究工具,用于将一段文字描述直接转化为对应的短视频。作为 Meta AI 在生成式多媒体方向的重要研究探索,它在近年文本生成图像技术的基础上扩展而成,把“从文字到静态画面”的能力进一步推进到“从文字到动态影像”,让模型不仅能描绘物体的样子,还能呈现画面随时间推移的运动信息。
其训练思路是整个项目的核心亮点:模型先利用“图片+描述”的图文对学习世界的外观与常见描述方式,掌握物体长什么样、通常如何被文字表述;再借助无标注视频学习世界如何运动,理解画面元素在时间维度上的动态规律。这一解耦式的训练设计,使模型无需采集成本高昂的“文字-视频”配对数据即可完成训练,显著降低了数据准备门槛。
该项目以研究形式发布,官网附有完整研究论文可供查阅,方便读者深入了解模型设计、训练流程与实验结果的全貌。