今年的 AI 视频生成领域呈现出一种如火如荼的架势。从最初卷生成时长到卷画面质量，再到最近卷起 AI 特效，行业厂商们开卷的方式千奇百怪，但目标都是共通的，那就是铆足了劲地吸纳新用户，留住旧用户。然而，尽管市面上许多视频模型号称一键生成视频，但如「默剧」般的成品多少形如鸡肋。尤其是我们对 AI 视频的刺激阈值被一再拔高，音效的缺失就像被捶打的钉子，在用户的心里越扎越深。当然，厂商们不是不想彻底解决这颗钉子，只是恰好在等待一个厚积薄发的时机。三个月前，作为国内首个面向公众开放的视频生成产品，智谱清影上线清言 App，只需一段指令或图片，30 秒就能生成 AI 视频。三个月后的今天，智谱清影再次迎来了一大波重磅升级。10s 时长、4k、60 帧超高清画质，任意尺寸、更好的任务动作和物理世界模型……除了开卷这些基本功，更重要的是，智谱清影也即将在本月上线生成与画面匹配的音效了。图生视频的质量、美学表现、运动合理性以及复杂提示词语义理解方面能力明显增强；更强的人物面部表演细节、动作连贯性和物理特性模拟，提高了视频的自然度和逼真度；支持生成 10s、4K、60 帧超高清视频，支持任意比例的图像生成视频；同一指令/图片可以一次性生成 4 个视频，与画面匹配的音效功能将很快在本月上线公测；并且，当人们还在为 AI 开源/闭源争论不休时，智谱却是国内少有一贯支持开源的企业，而在今天，智谱也正式发布并开源最新版本的视频模型 CogVideoX v1.5。 此次开源包括两个模型：CogVideoX v1.5-5B、CogVideoX v1.5-5B-I2V，后续，CogVideoX v1.5 也将同步上线到清影，并与新推出的 CogSound 音效模型结合。代码：
https://github.com/thudm/cogvideo
模型：
https://huggingface.co/THUDM/CogVideoX1.5-5B-SAT官方宣布，新清影即日起在智谱清言 App 上线。话不多说，直接附上体验地址：https://chatglm.cn/video?lang=zh关注 AI 第一新媒体，率先获取 AI 前沿资讯和洞察
4K 60 帧，新清影已经 next level 了和蔼的老人面带微笑，面部肌肉细节清晰可见，没有明显的像素化或模糊现象。火焰老虎的形象也令人印象深刻，不仅步态拟真，眼神之中还透露出一种野性的美感，身上的火焰颜色也呈现出丰富的色彩层次和深度。车辆急速飞驰，场景转换没有卡顿或延迟，即使是快速移动的对象也能保持连贯性，而在速度感和紧张气氛的营造上也有一手。不被演示 demo 的花言巧语所迷惑，上手才是检验实际效果的唯一标准。我们也用图生视频功能上手跑了一个放飞孔明灯的视频。孔明灯被释放，缓缓升入夜空，镜头从下往上跟随，天空也被染上了深邃的蓝色。又或者，我们「复活」了静止的小黄花，微风拂来，小黄花在草地上轻轻摇曳。不过「新清影」还是需要一定程度的抽卡，这也是目前国内外 AI 视频模型在稳定性上普遍存在的问题，在日常使用这类产品时，还需要多些耐心。在我们的测试中，最让我们惊喜还是清影的音效生成功能。而这项功能也将在本月晚些时候上线。基于此，我们也用几段去掉音频的「哑剧」视频，并让 AI 为它们生成相应的音效，建议打开音量键食用。例如，《海上钢琴师》最经典的斗琴环节，你更喜欢这个还是原版呢？美丽的烟花表演，它们在夜空中绽放的瞬间，搭配上 AI 音效，有没有打动你？雨滴的声音各异，有的清脆，有的低沉，有的急促，有的悠长。核爆炸的场景很大，搭配声音却几乎没有延迟，在模拟真实爆炸声，环境噪音以及余波等方面表现出色。如果 CogVideoX 与 CogSound 强强联合，即由清影技术负责生成画面，而音效模型负责配音，最后生成的视频内容也更加生动、真实，甚至能够触动人心。1900 年，第一部有声电影在巴黎放映，直到十年后，这种能够将声音与影像同步的技术才逐渐成熟，达到了商业化的标准。有声电影的问世，不仅仅终结了电影自诞生之初的沉默状态，更重要的是，它将电影从单一的纯视觉艺术转变为视听结合的全新艺术形式。影片上的演员开口说话，而观众席上也响起对有声电影的欢呼声。如今，历史的轮回再次上演，从年初的「哑剧」到如今的 AI 音效，如果说前者还是局限于 0-1，那么 AI 音效的加入，则标志着 1-N 史诗级跨越。基于 GLM-4V 的视频理解能力，智谱家族的新成员——音效模型 CogSound 能够准确识别并理解视频背后的语义和情感，并在此基础上生成与之匹配的音频内容。例如，爆炸、水流、乐器、动物叫声以及交通工具声等。在影像叙事中，声音的到来是一个关键拐点，它不仅使叙事从依赖文字构建的视频中突围，而且在观念和方法上都带来了更广阔的想象空间。上个月，好莱坞演员的罢工风波尚未平息，而导演卡梅隆则在出席峰会时表示，AI 将会重新定义电影故事讲述，帮助编剧导演探索新的故事线，以及叙述手法。放诸到视频产业界，音效模型也有着广泛的应用场景，比如可以生成电影中的大规模战斗场景和灾难场景的声音，大大缩短制作周期，降低制作成本。只是，AI 时代下的视听艺术究竟应该会是什么样？历史上的技术大爆发给我们提供了一些思路。如果说工业革命的机械化、流水线作业等方式，让标准化的大规模生产成为可能，那么随着 AI 的到来，通过学习大量的数据和模式，能够模仿人类的决策过程、并且根据每个用户的具体需求和偏好定制个性化服务。简言之，通过降低使用门槛，AI 让每个普通人都能手捏自己喜欢的个性化视频。法国新浪潮的代表人物让-吕克·戈达尔，也曾探讨过电影技术变革对电影语言和艺术性的影响：电影不是仅仅在拍摄时使用声音和影像，而是在观众心中构建某种语言。无声电影通过视觉创造了更多的可能，而有声电影则改变了这种创作方式。
而追溯至今年 2 月份，人们关于 AI 视频的展望是由 OpenAI 发布的 Sora 率先拉开，但很遗憾，直到此时此刻，该产品却仿佛陷入「如来」的状况，至今未见踪影。也正是在这个期间，我们很高兴能够看到国内厂商在这一赛道上交出了不错的成绩单。不过，这或许还只是开胃小菜，智谱认为真正的智能一定是多模态的，听觉、视觉、触觉等共同参与了人脑认知能力的形成。构建包括文字、图像和视觉等模态在内的智谱多模态大模型矩阵，能够进一步提高大模型的应用和工具能力，也是在迈向 AI 的终极目标——AGI。
