Text To Video Ms 1.7b

🚀 开放域文本到视频合成模型

本模型基于多阶段文本到视频生成扩散模型，输入描述文本，即可返回与文本描述相匹配的视频。目前仅支持英文输入。

我们正在招聘！（工作地点：中国北京/杭州）

如果你正在寻找一个充满挑战的机会，渴望在AIGC和大规模预训练领域运用前沿技术，那么我们就是你的理想之选。我们正在寻找有才华、有动力且富有创造力的人才加入我们的团队。如果您感兴趣，请将简历发送给我们。

邮箱：yingya.zyy@alibaba-inc.com

✨ 主要特性

• 基于多阶段文本到视频生成扩散模型，输入英文描述文本，输出匹配的视频。
• 模型由三个子网络组成，整体模型参数约17亿。
• 可根据任意英文文本描述进行推理和生成视频。

📦 安装指南

首先，安装所需的库：

$ pip install diffusers transformers accelerate

💻 使用示例

基础用法

import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.utils import export_to_video

pipe = DiffusionPipeline.from_pretrained("damo-vilab/text-to-video-ms-1.7b", torch_dtype=torch.float16, variant="fp16")
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe.enable_model_cpu_offload()

prompt = "Spiderman is surfing"
video_frames = pipe(prompt, num_inference_steps=25).frames
video_path = export_to_video(video_frames)

高级用法

如果你想生成较长的视频，可以通过启用注意力和VAE切片，并使用Torch 2.0来优化内存使用。这样在小于16GB的GPU显存上，你可以生成长达25秒的视频。

$ pip install git+https://github.com/huggingface/diffusers transformers accelerate

import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.utils import export_to_video

# 加载管道
pipe = DiffusionPipeline.from_pretrained("damo-vilab/text-to-video-ms-1.7b", torch_dtype=torch.float16, variant="fp16")
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)

# 优化GPU内存
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# 生成视频
prompt = "Spiderman is surfing. Darth Vader is also surfing and following Spiderman"
video_frames = pipe(prompt, num_inference_steps=25, num_frames=200).frames

# 转换为视频
video_path = export_to_video(video_frames)

📚 详细文档

模型描述

文本到视频生成扩散模型由三个子网络组成：文本特征提取模型、文本特征到视频潜空间扩散模型以及视频潜空间到视频视觉空间模型。整体模型参数约为17亿。目前，该模型仅支持英文输入。扩散模型采用UNet3D结构，通过从纯高斯噪声视频的迭代去噪过程实现视频生成。

此模型仅用于研究目的。请查看模型限制、偏差和误用、恶意使用和过度使用部分。

模型详情

使用场景

该模型具有广泛的应用场景，能够根据任意英文文本描述进行推理并生成视频。

查看结果

上述代码会显示输出视频的保存路径，当前编码格式可以使用VLC播放器播放。输出的mp4文件可以使用VLC媒体播放器查看，其他一些媒体播放器可能无法正常查看。

模型限制和偏差

• 该模型基于Webvid等公共数据集进行训练，生成结果可能与训练数据的分布存在偏差。
• 此模型无法实现完美的影视质量生成。
• 模型无法生成清晰的文本。
• 该模型主要使用英文语料进行训练，目前不支持其他语言。
• 在复杂构图生成任务上，该模型的性能有待提高。

误用、恶意使用和过度使用

• 该模型并非用于真实地呈现人物或事件，因此使用它生成此类内容超出了模型的能力范围。
• 禁止生成贬低或伤害他人、其环境、文化、宗教等的内容。
• 禁止用于生成色情、暴力和血腥内容。
• 禁止用于生成错误和虚假信息。

训练数据

训练数据包括LAION5B、ImageNet、Webvid等公共数据集。在预训练后，会进行图像和视频过滤，如美学评分、水印评分和去重等操作。

引用

    @InProceedings{VideoFusion,
        author    = {Luo, Zhengxiong and Chen, Dayou and Zhang, Yingya and Huang, Yan and Wang, Liang and Shen, Yujun and Zhao, Deli and Zhou, Jingren and Tan, Tieniu},
        title     = {VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation},
        booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
        month     = {June},
        year      = {2023}
    }

(本模型卡片部分内容取自此处)