杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!

发布于 2024-6-18 13:28
浏览
0收藏

这几天,大洋彼岸杀疯了!


Luma 的热乎劲儿还没过去,昨晚 Runway 就甩出一个王炸 ——Gen-3 Alpha。(查看详情请移步:​​​Runway 版 Sora 发布:高保真、超强一致性,Gen-3 Alpha 震撼到网友了​​)


更没想到的是,一觉醒来,Google DeepMind 也有了新消息,悄咪咪地发布了视频生成语音(V2A)技术的进展。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


虽然这一功能还未向公众开放,不过从官方放出的视频 Demo 来看,效果那是相当丝滑。同时,Google DeepMind 强调,所有示例均由 V2A 技术和他们最先进的生成视频模型 Veo 联手打造。


音频提示: 紧张刺激的恐怖片配乐,脚步声在混凝土上回响。(Cinematic, thriller, horror film, music, tension, ambience, footsteps on concrete)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


黑灯瞎火的废弃仓库中,一个黑衣人犹如鬼魅般缓行,再配上诡异的音乐和脚步声,恐怖气氛拉满。


音频提示: 狼在月光下的长嚎。(Wolf howling at the moon)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


视频 Demo 一出,评论区清一水的追问:啥时候能用?


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区

 

杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


还有网友寄希望于开源社区当一回赛博菩萨,复制谷歌的这一视频生成语音技术。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


其实,就在 Google DeepMind 官宣没多久,AI 音频领域的「扛把子」ElevenLabs 就横插一脚,开源了一个上传视频自动配音的项目,可以为视频生成合适的音效。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


链接:

​https://elevenlabs.io/docs/api-reference/how-to-use-text-to-sound-effects​


如今 AI 圈子的竞争已呈白热化阶段,大小厂的你追我赶将会创造更加公平的竞争环境,而一旦这些技术成熟,AI 视频领域将会有无限可能。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


AI 视频告别无声电影


众所周知,视频生成模型正以惊人的速度发展。不过,无论是年初惊艳世人的 Sora,还是近期的可灵、Luma、Gen-3 Alpha,生成的全是「无声电影」,无一例外。


而 Google DeepMind 的视频生成音频 (V2A) 技术,使得同步的视听生成成为可能。它可以结合视频像素和自然语言文本提示,为屏幕上的动作生成丰富的配音。


从技术应用上来说,V2A 技术能够与 Veo 等视频生成模型结合,创造出具有戏剧性配乐、逼真音效或与视频角色以及风格相匹配的对话镜头。


它还能为档案材料、无声电影等传统影像生成音轨,拓宽创作的可能。


音频提示: 可爱的幼年恐龙在丛林中啁啾,伴随着蛋壳的破裂声。(Cute baby dinosaur chirps, jungle ambience, egg cracking)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


音频提示: 汽车打滑声、引擎轰鸣声,伴随着天使般的电子音乐。(cars skidding, car engine throttling, angelic electronic music)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


音频提示: 日落时分,草原上响起悠扬的口琴声。(a slow mellow harmonica plays as the sun goes down on the prairie)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


V2A 技术能够为任何视频输入生成无限数量的音轨。用户可以选择定义「正向提示」来引导生成期望的声音,或者「负向提示」来避免不期望的声音。


这种灵活性让用户对音频输出有了更多的控制,可以快速尝试不同的音频输出,并选择最佳匹配。


音频提示:一艘宇宙飞船在浩瀚的太空中疾驰,星星在它周围划过,高速飞行,充满科幻感。(A spaceship hurtles through the vastness of space, stars streaking past it, high speed, Sci-fi)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


音频提示:天籁般的大提琴氛围(Ethereal cello atmosphere)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


音频提示:一艘宇宙飞船在广袤的太空中高速穿梭,星星在它周围飞速掠过,具有科幻感。(A spaceship hurtles through the vastness of space, stars streaking past it, high speed, Sci-fi)


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


背后的工作原理


研究团队尝试了自回归和扩散方法,以发现最可扩展的 AI 架构。扩散方法在音频生成上给出了最真实和引人入胜的结果,用于同步视频和音频信息。


V2A 系统首先将视频输入编码成压缩表示,然后扩散模型从随机噪声中迭代细化音频。这个过程由视觉输入和给定的自然语言提示指导,生成与提示紧密对齐的同步、逼真音频。最终,音频输出被解码成音频波形,并与视频数据结合。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


为了生成更高质量的音频并引导模型生成特定声音,研究团队在训练过程中添加了更多信息,包括 AI 生成的注释,详细描述声音和对话文本。


通过在视频、音频和额外注释上的训练,该技术学会将特定的音频事件与各种视觉场景关联起来,同时响应注释或文本中提供的信息。


谷歌方面强调,他们的技术与现有的视频到音频解决方案都不同,因为它可以理解原始像素,并且添加文本提示是可选的。此外,该系统不需要手动对生成的声音与视频进行对齐,极大地简化了创作流程。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


不过,谷歌的这一技术也并非完美,他们仍在努力解决一些 bug。例如,视频输入的质量直接影响音频输出的质量,视频中的伪影或失真可能导致音频质量下降。


同时,他们也在优化唇形同步功能。


V2A 技术尝试从输入文本中生成语音,并将其与角色的口型动作进行同步,但若视频模型未针对文本内容进行相应的调整,就可能导致口型与语音不同步。他们正改进这一技术,以提升唇形同步的自然度。


杀疯了!谷歌卷视频到语音,逼真音效让AI视频告别无声!-AI.x社区


音频提示:音乐,文本转录「这只火鸡看起来好极了,我好饿。」(Music, Transcript: “this turkey looks amazing, I’m so hungry”)


或许是由于深度伪造技术带来诸多社会问题,Google DeepMind 求生欲满满,一个劲承诺将负责任开发和部署 AI 技术,在向公众开放之前,V2A 技术将经过严格的安全评估和测试。


此外,他们还整合了 SynthID 工具包到 V2A 研究中,为所有 AI 生成的内容添加水印,以防止技术的滥用。


本文转自机器之心 ,作者:机器之心


原文链接:​​https://mp.weixin.qq.com/s/0D4QGeyZ0ZnmmWYz_x-56g​

标签
收藏
回复
举报
回复
相关推荐