wan2.0各个版本模型的区别
粉丝368.8万获赞2444.2万
相关视频
10:48查看AI文稿AI文稿有很多粉丝都在问，万二点二和 ltx 二点三这两个视频生成模型谁的能力更强？那我先来说结论， 万二点二除了功能上，其他方面都可以吊打 ltx 二点三，因为 ltx 二点三必定具备音频生成的功能。可能很多人呢不太认同我这个观点，那今天呢，我们就用一个爆火的主题来给大家测试一下， 那这个主题是什么呢？哎，就是学院纯御风。为了方便测试呢，我也将这个工作流部署到了 running hub 上。 在 comfy 领域， running hub 是 一个非常棒的在线工作平台，因为只要有新的模型和新的技术出现，他都会第一时间跟进。经常会刷到一些第一人称视角的女友感的视频或者是照片，那总会让你的心头一颤， 手指呢忍不住就多停留几秒。那今天呢，我们就带你来揭开这一层名为学院纯玉峰的神秘面纱，同时呢，让大家在这个过程当中体会一下 这两个视频生成模型的能力到底谁更强。那为什么我们要选择这样一个主题呢？因为呢，它本身就带流量，大家感觉一下这种极具带入感的视觉感，它会吸引你不自觉的看下去。 那么纯域校园风底层的美学密码到底是什么呢？其实呢，就是反差与造势， 当然反差有很多种，比方说身份与材质的反差，用代表着规矩的西装百褶裙来掩盖因为某个动作而展现出来的成熟曲线，从而呢体现一种包裹感。那造势呢，同样也有很多种， 我们常用的就是光影与姿势的造势，大家在制作这类图片和视频的时候，要坚决舍弃那种大平光，我们要刻意的使用一些黄昏的余晖，逆光的光晕这样一种特殊的光影来雕刻五官和锁骨。 还有最重要的一点，千万不要让图片或者视频里边的人物呢，正襟危坐，全部换成微后仰，侧身回眸这些极具交互感的动作，因为只有这种动作才能带出属于第一视角的这种感觉， 给人一种致命的亲密感。我们在制作这种视频的时候呢，一般是先生图，然后生成视频，生图的时候核心就是提示词，那为了打造这种心动的瞬间， 仅仅靠抽卡这个是不行的，我们可以给大家总结一个爆款提示词的构建法则，那这个法则呢，非常简单，就四个维度，主体反差设定，加上非常规的极限视角，再加上情绪化的光影。最后呢加上微跃界的肢体语言， 只要严格的套用这个理论模型去写提示词，出图的张力呢绝对拉满。下面呢，我们用两个场景来验证一下，比方说放学后的秘密教室。 首先呢是主体和动作，我们的主体呢是制服穿搭，肢体语言设定为轻轻靠着桌子微张的外套。而视角上呢，我们摒弃了这种平视的视角， 那我们可以给定一个极低的仰视的视角，那我们再搭配上黄昏的光晕，那种极具压迫感和独占感的视觉张力呢，就直接出现了。那我们再来测试一个场景， 那这个场景的名字呢，我们可以把它叫做社团活动室里的慵懒，我们采用一个第一人称的俯拍视角，光影的使用呢就更加特殊，光透过百叶窗照在人物的脸上，形成了斑驳的光影。 而我们使用的肢体语言呢，是人物坐在窗边，把头向后靠在椅背上，然后倒着看镜头。这种极其刁钻的后仰扭动，能让百叶窗的光影精准的切割在它紧绷的天鹅颈 以及深陷的锁骨上面，这样的话呢，整个画面就极具故事感。虽然呢，我用两个场景给大家验证了一下，其实呢，我一共做了十二个场景， 对于这十二个场景呢，我们都使用了相同的规则来构建提示词，整体的感觉呢，都是非常棒的。一旦我们有了提示词，那我们应该用什么模型来生成图片呢？我这呢，实测了目前市面上非常具有代表性的两个模型，一个开源的，一个商用的。 开源的呢，当然就是纤维 image edit， 而商用模型呢，则是 nano banana two。 简单来讲，纤维 image edit 出图的色彩感呢，是非常棒的，非常的通透，画面呢，也非常的清亮明艳， 非常具有网感，生成视频的时候呢，效果也非常的棒。而 nasa 不 nasa 兔，它最大的特点呢，就是写实感，人物的呈现极其的真实自然。并且呢，对于上述的那种扭腰啊，后仰啊这种高难度的复杂动作呢，它也能够非常好地还原出来。 不过呢，有一点要注意， nintendo 兔它的审查级别呢，非常的严格，你一不小心呢，就可能触发敏感词，导致生成失败。所以说，单纯从自由发挥的角度来看呢，纤维一妹子就要随性的多， 那我们可以稍微总结一下，就像真实的素颜照和精修的艺术照，这个并没有什么绝对的好和不好， 这个完全取决于你想表达什么样的一个质感。那图片搞定了，接下来呢，我们就是让他怎么把那种暧昧的拉扯感给他表现出来，也就是图片生成视频，视频好坏的关键呢，同样在于提示词。这呢，我们还是要给大家拆解一下 编写高质量的视频提示词的底层逻辑。一个能够精准的控制人工智能视频张力与美感的提示词，它的核心结构呢，必须有三个不可分割的维度，第一个是镜头语言， 第二个呢是主体的微动作，第三个呢是氛围感。我们先来看一下镜头语言，这是决定观众带入感的关键。想要第一视角的压迫感，就不能使用固定的死定胶， 要在提示词里边明确的写上带有呼吸感的微妙手持镜头，或者是暧昧的缓慢推拉聚焦。 而主体的设计呢，是整个提示词的关键生成。类似于这种风格的视频呢，千万不要让人物做大幅度的肢体动作。真正的唇域拉扯感呢，全部在于微动作的控制。 比如我们经常使用的一些微动作，目光流转的迷离，眼神发稍被微风吹起的轻颤，或者是胸口随着呼吸产生的细微起伏感。这里呢，一定要记得，动作越克制， 视觉张力呢，就会越高级。最后呢是氛围感，这个呢，一般是靠环境和光影给的， 同样，这是视频的一个灵魂，即使人物不动，如果你的环境和氛围给的足的话，那也会让人觉得整个画面充满故事感， 当然每次去手写这种提示词呢，呃是非常费脑子的，所以说呢，我们也给大家提供了一个提示词工程，但是你要注意啊，这个提示词工程呢，并不是专门儿为唇域学院风开发的，它就是一个单纯的 l t x two 的 提示词工程，只是在应用的时候呢，有一些小的技巧， 让它在表现唇釉学院风的时候呢，整体的质感会更加的独特。那应该怎么去用呢？下面呢，我以谷歌的 as studio 为例，来给大家演示一遍。那所谓的提示词工程呢，是我们把它作为系统的提示词，给到一个大圆模型，然后让大圆模型来帮我们生成提示词。 那首先呢，我们打开 as do do， 然后新建一个聊天绘画，将模型选择为 gmail 三点一 pro。 下面呢，我们将这套提示词工程呢给它复制下来，粘贴到我们的 system instruction 里边。然后呢，也可以在对话框里边上传你的参考图片，甚至呢也可以给一些说明， 那这里边的技巧就在这个地方，我们在上传了图片之后，为了让它的意图表达更加的准确， 更加适用于唇釉学院风，我们建议大家把你生成图的时候的那个提示词呢，一并给它粘上去，这样双管齐下，大圆模型呢，就能够完美的结合原图的光影布局和你底层的一些思路和逻辑， 帮你生成一段高质量的视频提示词。那最后呢，就是模型的选择，当然你可以选择闭源模型，比方说质量非常高的 sorry 二 cds 二点零，但是呢，这样成本也会很高，我这儿呢依然使用开源模型， 那我们可用的开源模型呢，目前有三个，第一个呢就是 ltx 二点零，第二个 ltx 二点三，第三个 one 二点二，那我们让它正面对决一下，看一下，使得能力更好。 通过大量的实测，我们会发现 l t x 二点零呢，它是不适用的，虽然呢，它能够直接生成高清的视频， 但是呢，那个清晰度呢，它体现不出来，而且呢，它动不动就会给你生成一些静态的 ppt， 根本不动，而且呢，一旦有一些复杂的动作，它也不能够非常好地展现出来。另外就是在人物的面部和人物形体的产生的时候呢，也会有一些诡异的扭曲， 总体来看呢，质量是不太高的。然后呢，我又测试了一下 ltx 二点三，相对于 ltx 二点零来讲，它在生成质量上呢有了一个非常大的提升。 使用了这个模型之后呢，静态视频出现的概率呢就很少了，生成人物的面部呢，也没有明显的塑料质感。 但是我们会发现 ltx 二点三这个模型在人物的一致性方面表现的是比较差的，而且呢，它在微动作的展现以及镜头语言的多样化方面表现的也不是特别的好。 而反观我们的 y 二点二，即便我们使用的分辨率呢是五四四乘九六零，但是给人的这种清晰感并不会比 ltx 二点三要差。 而且当人物动起来的时候，人物的转身啊，动作的连贯性啊，甚至微表情的表达，以及刚才我们提到的镜头语言的多样化， 我觉得呢比 l t x 二点三呢都要好很多，那下边我们给大家展示了使用两种不同的工作流，但是使用了相同的参考图，相同的提示词生成的一个视频的效果，那这种差异性呢，是非常明显的，所以说呢，在这类视频的生成上呢，我更推荐使用 one 二点二， 这也就是为什么我们在视频的一开始，我告诉大家， one 二点二在生成能力方面是吊打 l t x 二点三的。通过这样一套流程呢，我们不光是在制作一个视频， 其实呢，也是在用人工智能拉高我们整体审美的天花板，只要你掌握了光影姿态与视角的一个深层的密码啊，你就能够创造出极具感觉的视觉产品。好，今天呢，我们就说这么多，还等什么，赶紧自己试一下吧，关注我，做一个懂爱的人！
793有趣的80后程序员
15:41查看AI文稿AI文稿哈喽，大家好，今天给大家讲解一下万系列的八 g 显存多图分镜的工作流，这是一个粉丝提议，我可以做一个这样子的类似的工作流，后面呢，嗯，我其实做了两个，这是第一个，这是肯定是跑出来了，可以看下结果，但是这个效果呢？我下载下来了，这边好像没有加载出来， 但其实我的开头没有让他有这种地震的感觉，但是他开头会有一种震一下的感觉，所以给我的效果他不是说很，就是首选的那一种，但是的话他是肯定可以跑起来的，他选用的模型整体相对而言会小一些， 这是通过多图和风景生成的一个视频。然后接下来我主要讲的话是第二个，因为整体的话，工作流拿过去其实相对简单，因为很多都是重复的， 基本上这个讲明白了，那个其实也是可以的。像这个的话整体看一下，嗯，画质，他的精确，整个画质的精确度和饱和度都是非常高的，而且他开口没有正下，整体的连贯性也是非常强的， 就是比较合理，所以我还是比较倾向于这种这个工作流，这个工作流它也是适合八 g 显存去跑起来的，但是的话，然后还有就是有几个点是需要注意一下的，我在开始搭建工作流之前跟大家先讲解一下。第一点呢是发现可以发现这里面有三个提示词，就是因为除了负面提示和正面提示词以外，需要一个 加强负面提示的一个约束，像这个模型需要给他加一个约束，保证我们不需要的画面他是绝对不允许出现的。还有一个还有一个是像万系列的模型的话，他是需要双模型的，一个是需要一个整体的画面感， 像一个整体的画面感主要是一个画面的构造啊，镜头的运动和主体的动作，还有一个是光影的关系，场景的整体变化。第二个像低噪音的模型， 他是比较适合细化毛发、衣物，还有一些脸部的稳定性，就是比较适合一些细节。当然他们可能也是对应两个不同的采氧器，像高精度采氧器的话， 他这里的灶波和这里的余剩余灶波他是不需要打开的，因为需要把这些灶波传给下一个低低噪音采氧器，所以像低噪音采氧器呢，他就要关掉，因为已经没有下面的采氧器给他进行接收了，到这里就停止了。 像这边的步数的话，我们六步就可以了，六步是相对而言是比较稳定的，而且是像八 g 显存，它是可以去跑的动的。然后像这里的 c f g 提示词的约束，你给他一点五就好，不要太高，太高的话他提示词太强，整个画面感就会非常的僵硬，也不要太低了，就随机性就会特别强，就不受控制。 接下来就是开始的步数和结束步骤，像我们的，嗯，因为我们本身是六步，再加上我们有两个不同的踩样器，所以我们在高踩样器的时候，我们可以步数写的稍微低一点， 不要让计算机整个负荷那么的重。然后这样第二步的话，第二个低产期我们就可以从第二步开始，然后到第六步，你这里可以写六也行，但是我直接写了他的默认值就没有去改，这样也没有关系。 嗯，这个是比较重要的一点。然后还有一个比较重要的一点，就是这里像这个地方的话，他是你不一定每台机器都能跑的起来的，因为他这个地方还是比较占一个内存的，他会把你的视频放大，然后他是放大的二倍，这样子的话，他整个为什么先放大缩小吗？其实还是 为了让整个画面更加有那种锐利的感觉，更加的干净，适合高质量的视频的输出，但其实这几个不要也没关系。然后接下来的话，我就像往常一样去给大家搭建一下整个工作的流程，我重新给大家搭建一下。 首先我们需要 clone 加载模型的，我们用 g g u f， 因为我们需要将文本生成图片或者视频，然后选择像这个。这个之前的话，之前我们用的 l d 叉 l 二点三八 g 显存是那个吧？我记得也是用这个模型的，然后再用。 net， 也是六六姐需要一个高噪音关系模型和低噪音关系的模型，我们选择对应的高噪音的低噪音就可以了。然后接下来的话我们需要加一个，我们先把这边完成吧。某某编码刚才提到了，我们可能需要三个，我先把它直接复制了， 然后我们还需要一个注意力机制，像注意力机制之前其实也提到过，他是为了让八个显存可以减少他的卡顿，更爆显存他是个补丁， 然后我们打开它就行了，自动。接下来的话，我们需要用上像这一块加强负面提示词的约束 外系列的视频贴住了，然后我们也用它默认就行，不需要修改，然后我们把这个给它。 接下来的话我们还需要一个参照算法， 这个彩样算法的话我可以跟大家先简单的说一下，他跟我们刚才提到的彩样器也是相关联的，像彩样算法它是是改变彩样的噪声调度。我给大家看一张图片，可以加深理解， 像这个像我们，因为像我们是进行了六步，就可以看到这边你不同的彩样的那个调度，我我这边写的是，我这边写的是我先给他设置五啊， 我给他设置的是五，你可以看到他每个线路的值，他的，嗯，这个线条他其实是不一样的，就是他他每到的一个点，他显示出了这种清晰度的画面，他是不同的，他控制的就是这个时间维度上面的噪声波动， 然后把这个给他一个设置点，我们等会给 低噪 音 可以了。接下来的话我们就开始进行做采样的流程，采样的话其实也是还是比较简单的，视频只要做了第一个，你后面的话基本上都是没有问题的。我们首先先加载图片， 等会儿加载吧，加载完图片之后，我们需要先把图片调整到和视频差不多的样子，就是调整下图片往上调整， 用这个用这个，然后我们用四八零， 我看到了我之前用的是多少四八零八三二的，就四八零八三二的，可以，然后这里的话就不用变，我们就用原来的。现在我们通过这个提示，也许我们就把这个图片生成好了，然后我们要把它生成的图片转为视频，所以我不需要一个图像和视频 y 系列的，然后把数值给他，然后像宽度和高度也给他，然后我们这边提示还有个 v o e 的 节点啊，这里缺少一个 v o e 的 v o e 加载器， v o e 的 话我们需要 y 系列的，我们选 y 系列二点一的， ok， 像这里的话我也给他设置点， 嗯，这边也弄吧，不然太多地方都要用到。 然后这个是正向提示， 然后这个是负向提示， 然后这边呢我们就把我们就获取获取刚刚我们设置的那些点。 首先一个正向 t 纸丝，然后一个负向的 t 纸丝把它连起来，然后还需要一个 d a e， 这样子我们就可以将图像转为一个视频，接下来我们就需要传感器了， 这这一步就是比较关键的一点了，先把它连在一起，这是我们有的。然后还有模型，模型的话刚刚我们已经弄好了，我们第一个首先是高照声采暖器，先获取一下， 这边需要打开，这个要打开，像这个的话剩余一波也需要打开。然后我们从我们从第零步开始，在第二步结束，前两步我们用高照声采暖器，这里的话我们需要改成六步，这个改成一点五步， 这个保持原来的就可以了，然后我们用 beat 就 可以了，然后接下来这个就完成了，我们就开始第二个复制一下 正面提示，一次正面提示，一次图像输出。然后模型 像这里的话，我们就需要把低采暖器的话，我们就要把这边关掉，因为我们后面的话已经没有地方给我们去使用了，像提示词我们可以给他降低一点，让他富有一个创造性，然后采暖的名称的话，我们需要用用这一个， 嗯，我给大家讲下这两个区别吧，就这两个的混合的区别吧。像第一个的话，它是让画面快速，但是整体的话可能会粗略一点，产生了一个视频的一个结果。像这一张的话，图转视频它可能会更加的精细化，然后像噪声点它可能会少一些。如果像这一个像这里的话，它使用的还是这个的话，我可以给大家看下结果，因为我前面就是这样子， 所以我这边调了好几次，我给大家看一下，你可以看到这里的噪声点非常的多，像原本是下着的雨，但是雨都变成了彩色， 所以整个画面就非常的差，所以一定要记住，像这里的话不要选错了。 这里好了就是我们就可以用 v e 编码解码， v e 解码，然后获取获取的 v e， 我们第一个视频就可以就完成了。然后这里也需要更改一下，因为我们第一张图需要八十一张，像八十一张大概是五秒的样子，我们三十一张就三十三张就可以了，大概一秒多，我们可以加个微调，这张图看起来效果可能会好一点， 零点三五就可以说太大，这里你可以显示是否要启动 gpu， 这样启动的话它会快一点，你要是不想用显存就可以把它关掉。像我们第一个就做完了，我们第一个做完之后，接下来就是复制， 如果你想做四张六张都可以，只要在后面持续复制下去就行了， 整体的整体的一块材料我们就可以就完成了， 接下来我们就要做合并，把我们做好的每一个图片转成视频的结果，大家合并在一起， 然后注销 第一张图和第二张，然后这里需要改一下，用这一个， 然后再把前面几张图也结合一下， 最后可以直接预览视频，也可以保存视频，这样子的话整体整个流程其实就已经做完了，就是不加上 合并为视频， 整体做到这里其实可以了，但是如果像我刚才一样想生存的画面更加的像这种质感更加好，就要需要加加一些像放大模型和他的帧率，但实际上来讲的话，到这一步就能完成了，因为如果加内部的话，他对内存跟显卡的要求可能是会相对高一点。我给大家加上 放大 模式，放大，这种放大的话一般都直接放大了会死一点， 用这个模型，模型已经被放大了四倍，我们再给它进行缩好， 缩放一半， 然后最后一个就可以了，最后我们再给它进行插针， 插针大概在人体基础上放大了两倍，最后的话就分开，视频 上这里的话一定要选择二百六十四，然后给大家演示一下，像这里的话是可以删除的，然后这个就是整体的一个工作流， 我给它分为两个就好了，然后我就把前面的提示词，我用的提示词给他拿过来，图片也是，然后给大家也演示一下， 然后图片我也换一下， 把这些图换上去 可以了，现在可以正常跑了。 好啦，现在就是最后生成出来的一个结果图，可以看一下，这就是跟我们出来的药，效果应该是差不多的。
146白白
05:14查看AI文稿AI文稿市面上主流的生图模型，今天来一个横向的测评，我用同样的提示词，用六个不同的模型来生图，看看谁是地表最强，来看最终生成的啊。第一个是英美指二给的这个图， 呃，现在看应该是非常的自然，也比较好看，完全符合这个其实词的要求。第二张呢，是 nintendo pro 给的图，比较中规中矩吧啊，这个郊外看起来还是比较自然的。第三一张呢，这是吉梦的图， 就是美颜开的比较大啊，但是画面呢，还是也是好看的。这一张是迷的真理的图啊，他这个郊外就有点涂抹感，我感觉是这样的，有点涂抹感啊。他另外几张好像就是处理的比较过一些，但是 像一个摄影作品的感觉。嗯，这个呢，是同一万象给的图，就是很真实，很自然。他这边一共生成了四张，你们都可以看一看，比较符合这个要求吧。 然后这一张呢，就是我从豆包上又特意呃生成了一张这个，你看这种颗粒感，包括整个皮肤的质感， 呃，也挺好。豆包现在感觉不是之前的小豆包了。第二组给的更宽泛啊，就这样更考验这种生图能力，对这个事情的理解能力，就给了一句词，叫北方九十年代小学上课照片好。这一个也是因为这二给的图， 大家可以看一看，照片感觉无差别，包括这个后脑勺，就像用闪光灯闪过一样，非常强，包括九十年代小学生的这种穿着打扮用的书包。如果没人提醒， 我觉得这就是一张照片。这个呢，是 banana pro 给的图， 别的不说啊，就是单从服装上这一项我觉得就离谱，对吧？你就算北方，就算外边下着雪是吧，也不可能 所有的人都这种打扮，而且你看像复制出来的一样，所以我觉得这一块还是差点事，包括这上面那个一些字是青年学习教程，我觉得也不太对，当然他的侧重点不一样，他可能觉得 其实这里边写的是北方，他可能重点对于这种北方环境的刻画可能更准确一些。第三一个，哎，这个就是感觉很像吉梦的特点了，就是 也很真实，但是对于九十年代的理解感觉还是差了一些。但是他这种汉字呀，包括人物的状态呀，感觉还是对的啊。这一张没得哲理的 哇，这张我感觉更像是一个摄影作品，所以他的这个审美比较特殊。这个同一万象生不出来。没有， 不知道为啥，可能觉得提示词违规吧。这个小豆包，你看看豆包现在争气了啊， 也非常好字啊，人物呀，服装呀，包括刻桌椅这种特点呀，是吧，暖暖的阳光照进来，当然他没有重点去刻画冬天的场景，整体的能力上感觉还是有的好。后边这一组呢，提示词给的就很准确，先看一梅者二 怎么样，包括它的这个复式相机的这个字母，包括这个型号给的都非常准。 g p t 这个模型我感觉是 相当聪明，然后这是香蕉，香蕉的也可以也很自然啊，包括这个相机叉 t 四啊，应该也没有问题，因为香蕉对于这种 呃作图的理解还是很到位的。吉梦的吉梦五点零啊，他这个也没问题，但是你看这一块细节就略微的差了一点。没在这里 感觉涂抹感比较严重，但是他这个成像就比较特别，他的整个审美我觉得还是有他的特点。他应该是升了四张图吧，四张图都看一下啊，每一张都还是 到位的。这个维纳哲内的审美是一直在线，统一万象，统一万象的这个图也很好，但是看细节，哎，就 稍微差点事了。你看没有特别好的还原这种背后打过来轮廓光的这种感觉。我看看他另外那几张看起来都还可以，可能就是细节上略微的差了一些。再看小豆包，这小豆包，豆包生成的。嗯， 豆包生成的也是完全符合要求的。呃，但是相机的细节也是不太够。综合来看，因为这二确实是我们生底图的首要选择吧。小豆包呢，比较万能，别拿豆包不当干粮。
215拍片的姚老师儿
02:56查看AI文稿AI文稿我对本地生成视频的大模型进行了测试啊，我测了两个知名的大模型，一个是 one 二点二，一个是 ltx 二点三，今天我主要测它音频生成视频的这个能力。 刚才我已经用 one 二点二生成了一个十九秒左右的视频，用的素材是我的一个照片和我唱的一段歌曲。 啊，这个是生成的视频，现在呢， ltx 二点三，我正在让它生成。 one 二点二已经生成过了，我先听听 one 二点二，让大家看看它的效果。 点开始，哎，嘴不会动了，看到吗？ 嘴又不会动， 嘴不会动，他嘴型对的不是太好。哎，其实大家没有注意啊，他后边的马也不是很对，生成的好像有问题，我再放一遍，大家仔细看，这次看他的后边的背景，看这马儿 看到吗？马儿在向后游动，大地并没有动，马儿向后游动，不是向后倒退， 可见它生成的一些细节还是不行的。现在 ltx 二点三这个也已经生成了，它的耗时是十四分钟二十五秒，它们两个耗时是基本上接近的。再看看 ltx 二点三这个生成效果， 播放一下， 再放一遍，看看它后边的马， 可见他这个马也是自然的。现在马向后走， 可见这个 ltx 二点三啊，要比 one 要强一点。他人的口型基本上和真人唱的一样，口型是对称的， 后边的马活动的也是非常自然。这个 one 二点二生成的就有时候不说话，他的马会倒着往后游动。
24河南日头软件
09:32查看AI文稿AI文稿志杰前两天不是开源了一个视频编辑模型吗？叫布尼尼。呃，怎么理解这个视频编辑模型呢？其实它就跟我们的一些图片编辑模型的性质是一样的，比如图片编辑，我们模型现在我们有 line 千万二五幺幺，它们都属于是编辑模型，其实就是跟这个是一样的。那我们来看一下它的 效果是怎么样子的？官方给出了一些案例，然后我们怎么去理解这个 v to v r， v to v e， v to v 或者 r to v 呢？嗯，其实就 简单的理解，就是我们可以基于原始的图片去进行编辑，或者是基于图我们想参考的图片进行编辑，或者是基于视频编辑视频来 编辑，或者是进行多图的参考来编辑。工作流方面，其实布尼尼是基于万二点二的架构去进行训练的，我们看一下模型的一个部分， 然后其实大模型就是这两个，它是一个高照和低照呢，高照 其实就是他在前面就已经确定了画面的一个主体结构、画风之类的。然后 d 照其实去丰富一个画面的一个细节， 我们就理解成高照去帮助我们进行画面的一个构成，然后 d 照去丰富画面的一个细节就可以了。然后这里是一个 lv 的 一个模型， 然后这是 v a e， 然后 le 这里要加载我们相对应的一个模型。 然后如果是魔镜一方的话，我会把链接放在简介处下方，你们可以去下载，如果是云端话就直接使用就可以了。然后 这里的话就是最重要的一个核心，这是我们主要来看一下，其实这里就是唯一和连接的一个 视频和参考视频和参考图片的一个连接处，然后这里是一个尺寸的一个设置，这是这里是一个帧率，然后这里基本上我们都不用去动它， 我们怎么去使用呢？我们先去了解一下，如果你只是对于图片的一个加载，如果你只是对于图片的一个编辑的话，我们 就只是需要把这个图片加载去保持默认关闭掉就可以了。 然后在这里输入我们的一个提示词，这里提示词我们需要注意一下，我们主要是用一个 其实布林尼的视频编辑的话，我们主要去关注 v to v， r to v 和 r v to v 这几个点，它其实是有图身图、纹身图这类的，但我们其实如果是用这一类的话，我们有更厉害的模型的话， 不理你，我们重点去关注他的视频编辑就可以了。如果我们只要我们需要去对这个视频进行编辑的话，假如我们我要把这个视频中的黑人去掉，只留下这个穿红色衣服的女人，那这是属于视频编辑的一种，那我们就对应的要用 b to v， 我 们首先先把 b to v 的 一个前缀 复制到前面， b 二 v 复制到前面，这我们首先要把 b 二 v 复制到前面， 然后再去输入我们相对应的一个体值。这里以后我们需要把黑人去掉嘛，那就是我相对应的描述就是把视频中正在跳的黑人去掉，只保留只有视频中的一个女人在， 这样子就可以了，然后我们就点击这里运行就可以了，因为我这里已经提前生成好了，所以我们这边就不运行了，你可以看一下， 因为我这里的帧率没有设置好，所以他导致后面那几秒已经有点卡掉了。其实他生成的效果其实很惊艳的，他既保留了一个，我们可以看一下 他既保留了他去把这个黑人去的很干净，然后也对画面背景的一部分也进行进行的深层了，没有什么瑕疵的部分，这效果其实是很惊艳的， 那我们就不去看他了。然后假如我们是要进行 图片编，参考图片进行视频编辑的话，那我们这里就要去打开，因为它不离离是支持多图的，但我会倾向于多图画的效果其实不是很惊艳，那我们因为我这里设置了三图，你想要几图啊？你直接去 ctrl p 打开就行了。我这里只用单独的，然后输到这里输入图片。这里的话，我们就要把我们的前缀设置成 up 二二一， 然后再进行描述。假如我要把这个女图片中的女人替换成这个图片的黑人的话，那我们就可以描述把视频中的黑人 替换掉图片中的女人。 这只是我大概的一个描述啊，我看到一些大佬说，其实他对提示的要求会更高，所以我们需要替换的时候，我们尽量描述的详细些。 然后我们再来看一下，这里是一个参数的一个设置，这里是一个总帧数， 然后这里我设置了一个预算，只要我们这里输入一个我们的生成时间就行了。假如你要输入一个五秒，那我们这里就输入五就可以了，但不推，但推荐生成十秒内的一个视频啊， 因为十秒后的生成的效果会一般会有各种的一个 bug， 比如闪屏啊，或者是烧火花之类的一些效果。 然后这里是一个宽高的一个设置，然后这里是 t 四十，基本设置的就差不多了。其实这布尼尼因为主要也是刚出，我们先涂个新鲜， 其实它的编辑效果其实很惊艳的，我们主要也要看一下后续，后续一个设计的发力，来加强这一块的一个能力。然后我们再来看一下我身上的一个效果， 这是我一个动人物替换的一个效果，你来看一眼， 其实很惊艳，其实效果很好，而且他的人物的一致性也保持挺不错的。 我们再来看一下这个，这个的话主要是一个视频编辑，我是要我主要的描述是要把这张图片的女人替换成红色衣，红色的头发，然后西服，然后他替换的其实也很好， 是吧？我们再来看一遍， 我觉得是很不错的。然后最后就是我们的一个去去除画面中的物体， 这里深层其实是有几个是 bug， 然后我去掉了，大家感兴趣的也可以去提，赶紧去体验一下， 现在还只是一个体验版，等后面的一个社区大脑发力图，估计这个模型会更加的强。今天的视频到这里感谢大家观看，拜拜。
16AI-Matt
13:12查看AI文稿AI文稿那么本堂课呢，我们正式的开始来讲一下我们的视频模型，那么在 comforion 里面的视频模型呢，我们主要分成了两大类啊，最常用的 第一个是万象二点二，第二个呢则是我们的 ltx 二点三。那么这里需要知道的是，我们的 ltx 二点三是 comforion 里面现在最厉害的视频模型，属于一个全模态的模型。什么叫全模态的视频模型呢？就是它跟我们的 cds 二点零一样，它出视频的时候，它可以出 它的音频跟音效一起出来，但是万象二点二却不可以。那么对于 l t x 二点三呢，它的整一个模型的生态是没有万象二点二那么好的，但是 现在许多的博主都会拿 l t x 二点三来做一些小的一些 ar 漫剧，所以这个也是康普 u i 现在还能做 ar 漫剧的一个原因。那么另外呢，万象二点二这一款模型呢，由于它现在的功能呢，稍微来说会比较落后， 所以他的整一个模型的生态非常的好，你常常在抖音上看到的美女跳舞，或者说一些哎人物视频置换，都是由万象二点二这一款模型去做出来的。但是我们接下来讲解呢，我会主要的去讲一下万象二点二的基础的 纹身视频工作流跟图片视频工作流，但是一些拓展的一些工作流呢，比如说更换人物视频，又比如说哎去模仿人物的跳舞动作，这些我就不会去细讲，甚至说不讲， 因为这些讲起来其实要花很长的一些时间。那么在大鱼老师其他的视频里面呢，不是这个系列的视频呢，大鱼老师也讲过很多的关于外墙二点二这种美女跳舞啊，关于这种外墙二点二里面的 对口型数字人我也讲了很多，那么大家可以去找来看，那么我们主要的去讲一下 l t x 二点三的一些基础工作流跟它的慢剧制作的工作流。 那么本堂课呢，我们就正式的开始，先来讲解一下万象二点二两个基础的纹身视频工作流跟图身视频工作流。那么对于这个纹身视频工作流跟图身视频工作流呢，我们只需要点开我们的菜单同样的浏览模板， 然后选择视频生成里面的万象二点二的模型即可。那么在这里选择 video 之后呢，我们往下滑动，当然啦，你要在这里用视频二点零，稍微来说会贵的那么一点点，不太值当。 那么我们这里先看一下我们万象二点二的纹身视频的一个工作流，就是万象二点二十四 b tab to video 这一个工作流，点击出来 可以看到它跟我们的 red image turbo 是 一样的啊，它只有两个的节点，因为这是一个子节点，我们先把它解包一下，那么解包出来之后呢，这就是我们工作流的一个本质了，但对于这个本质，同学们可能会看到，哎，怎么这么麻烦，对吧？那么我到底该怎么样，如何去 下手呢？其实我们可以看到它也是把工作流分成了两部分而已，第一部分呢是我们原生的，也就是我们的步数为我们的二十步的，那么第二部分呢就是，呃，我们四步的，有一个四步罗拉，那么在后面的这些万向二点二呢？或者说我们的 red 一 米 turbo， 或者我们的千万模型呢？也 由于是阿里巴巴开发的模型，所以他都会有四步模型去进行配套，因为他开发的模型真的是参数太大了，对于我们万象二点二的模型来说，他需要两个模型进行驱动，也就是我们的高造成模型和低造成模型，不再像前面的图像模型一样， 我们的这一个视频模型呢，它是双模型驱动的一个模式，所以它每一个模型都有一百四十亿的一个参数，那么两个呢，就达到了二百八十亿的一个参数，所以它就非常大的对应你的显卡的显存占用是很高的，但是如果你是用到了这个四步模型的话，那么大概你的显存是不会爆的， 并且用到云服务器的五零九零的显卡的话，那么也不会有任何的一个问题啊，那么这里呢官方的用户呢？稍微来说麻烦一点点，我去拖入我们 从呃万象二点二官方他们自己弄出来的一个官方工作流，可能那一个会更好看一点。好，那么这个工作流呢？大家就可以看到，这是我们万象二点二的最基础的一个纹身视频的工作流了，可以看到其实非常的简单，对吧？我们可以简单的进行拆解一下，它其实跟我们的纹身图的工作流 并没有什么区别，只不过是加入了一些特定的节点，那么这里是加载我们的大模型的，对吧？ 两个，我刚刚刚刚说到的吧，万象二点二的需要有两个模型驱动的，那么我们就把一个模型列变成两个模型而已，有两个大模型，然后可列的模型 e 模型，那么这个就是我们的空冷层了，然后是我们的正负面条件，然后两个 k 长器，由于是两个大模型驱动，所以它也需要两个 k 长器进行高噪和低噪的一个降噪， 然后是 v a e 解码，最后是创建我们的视频，可以看到吧，其实就是我们普通的 red image turbo， 或者说我们的千万 image 的 纹身图的工作流，只不过变成了视频生成而已。那么我们再把它放大来看一下 我们的万象二点二的模型，它是二合一的一个模型，也就是说你要去驱动它，它最少也要需要两个模型，那么这里的两个模型呢？ 第一个叫做万向二点二 t r v high noise， 也就是我们的高噪声模型，那么第二个呢，叫做万向二点二 t r v low noise， 也就是低噪声模型。那么这两个模型分别的作用是什么呢？它由第一个高噪声的模型去对我们整个视频进行画面的构造，那么画面构造出来呢？再由低噪声的模型去 去掉剩下的一个噪声，去将我们整一个视频的细节给我们填充好。所以说这两步模型的啊，一个作用呢，其实它最主要核心的就是分配任务，那么通过这种分配任务呢，第一个是降低显存的占用， 第二个呢是能够得到更好的一个视频质量，所以说它的双薄型结构是有说法的啊，大家不要因为它是双薄型，所以就觉得很困难，其实并没有，那么这里的 cleveland 模型呢？我们要注意它用到的是 um t 五叉叉 l 的 模型，当然了，我这里用到的是 f p 八模型，你也可以用到原声的，但是还是那句话，没有必要你用 f p 八的即可， 那么类型呢，我们就选择 one 就 可以了。那么这里还有一点需要讲到的是我们的高造成模型和低造成模型，我用到的都是原生的 f p 幺六模型，所占用的显存呢会达到整整的二十四 g b 以上，所以说很高，但是由于我们开的是五零九零的显卡，所以就没有这个烦恼。 当然如果你觉得它现在速度实在是太慢的话，我们可以将它改成 f p 八模型，我们直接搜索万象二点二即可。然后这里面会有 f p 八的 low noise 模型可以看到吧，但是我们要注意它有 i l v 和 t l v 的 两个版本， i l v 的 就是我们等一下会讲到的涂身视频的模型， 那么 t l v 呢，才是我们纹身视频的模型，那么 t l v 里面也有 f p 八的 low noise 模型，那么下面呢，我们改成万象二点二的 p 八的 low nice 模型。那么 f p 八跟 f p 幺六的模型呢？它的区别就在于精度上，那么 f p 幺六可能你有一百四十亿的参数在里面，那么 f p 八呢？可能就没有那么多，可能砍半或者说砍掉三分之一，它是半精度的模型，但是它生产视频的质量一点都不低， 所以我们这个是需要注意的。然后我们看一下 ve， ve 用到的是万向二点一的 ve， 这里要注意啊，是万向二点一，不是万向二点二的 ve， 因为万向二点二的 ve 容易报错，所以我们用万向二点一的会好一点点， 然后我们看一下这封面条件，可能就不需要说了，对吧？然后模型彩样算法，就跟我们的前面讲到的 that 一 米七 turbo 的 模型彩样算法 off flow 那 个节点是一样的，只不过这里用到了另外一个模型彩样算法的节点而已。然后偏移值呢？设置为八，这里是固定的值，大家不要变是官方给的值， 那么这个八的偏移值在这里可以让视频带来更好的动态效果，以及更连贯的一个镜头衔接啊，这里我们是需要注意的。然后呢我们接着往下看， 对于下面的这个空帧的话，它不是像我们图片的那样子的空帧，它是属于视频的空帧，它可以设置宽高之外， 它还可以设置任何长度，那么这个长度是什么意思呢？这里我们要明确一个概念，就是我们视频的一个生成， 比如说一个五秒的一个视频，那么它每一秒的视频里面包含了多少帧？这个有一个帧的概念，比如说我的这一秒里面，它是由二十四张图片组成的， 那么这个总长度的意思呢？就是八十一帧，就是说我生成整一段的视频总共用了八十一帧，总共用了八十一张图片进行组合，那么这八十一张图片它是连贯的一个图片，那么下面这个 batch size 什么意思呢？就是 它一次性在这空帧它里面要生成几张图片，那么如果你设置为一的话，那么它就一张一张图片的生成，那么它对你的显存占用也就没有那么高，如果你这个 batch size 去设置为二的话，那么他一次性在这空间他里面作画，他就一次性画两张图，那么他生成视频的速度会更快，但是他所要消耗你电脑的显存会更加的高，那么这里我是建议你 直接选择一最为合适。那么我们可以看一下，在最后进行创建的时候，它把 ve 解码出来的这八十一张图片要经过一个 create video， 那 么这个就是将我们图片进行组合的关键节点，它将前面的八十一张图片 以每十六张为一秒的方式进行组合，然后总共就是八十一除以十六的一个方式，大概是五秒，那么也就是说每一秒它都包含了十六张图片在里面，最后生成了一张五秒的 一个视频啊，生成了一段五秒的一个视频，那么所以说前面这个八十一呢是总的视频长度，那么后面这里呢是每一秒 所占用的视频所要用到的图片，那么用这个总的帧数除以这一个每一秒的视频帧啊图片帧数就可以得到我们最后的一个视频的总长，大家可以理解吧。 然后这里面的 k 长期呢，它为什么要用到两个？就是我们刚刚前面说到了它有高噪和低噪的两个模型，那么高噪模型呢，是主要对视频的一个基础轮廓的一个构造，那么低噪呢，才是真正的去加入细节，将视频 变得更加完美的一个造声。那么这里我们会发现这里我用到的步数是四步，因为在后面我会加入一个 lora 模型，在这里我们可以双击一下，然后去输入 l o r a， 也就是我们的 lora 的 一个英文单词。那么这里呢，我们可以选择一下 lora 加载器仅模型这一个节点，然后我们卡 ctrl 加 c， 然后再加 v 去复制一个节点出来，那么这里我们先将它的四步流程给它选择出来，我们可以直接搜索 light， 也就是 l i g h t， 然后我们可以找到下面有万象二点二的 light x 二 v 的 模型，可以看到这里就是万象二点二 t 二 v 的 d 噪声的一个模型， 这里呢，呃，我们看一下有没有四步的啊？前面这里也有关键二点二 t r v light x r v 四步模型可以看到吧，我们先将 high noise 给它选择出来，然后我们再去搜索 one。 二点二，我们再将它的四步的 low noise 选择出来，然后我们给它连接到它的高低噪声的大模型，后面 把低噪的连接过来，然后再把这个是高噪的吗？我们要看清楚哦，不要连接错误。 我们先把 high noise 再给它选择一遍啊，不然它，呃，不太好，不太好，好，确实是 high noise， 然后我们把它断开，先连接过去，然后再连接过去，然后这里面的 k 长键呢，我们就可以这样子去设置了。 步数呢，我们设置为四步，那么这个是总步数啊，要记得总步数，因为我们是分段降噪的嘛，所以我们需要将这四部分到两个 k 彩样器里面，所以这里选择四步。那么既然是四步的 luna 呢，我们就把 c o g 为一啊，跟前面的这样的 emoji turbo 那 些，或者说我们的千万 emoji 都是一样的啊， c o g 为一， 然后彩样器和调度器，我们要注意，彩样器只能选择这个 uni pc 啊， uni pc， 然后开始降噪步数，就是我们从头开始让它去进行降噪， 然后只需要进行两步就高噪声已经完了，然后后面这个低噪声的降噪也是一样的，总步数我们还是填为四步， 然后呢开始降噪步数，我们要从第二步开始，因为高噪它已经去掉两步嘛，对吧？所以低噪就从第二步开始， 然后结束降噪的步数呢，就为四步就可以了，那么这样子就把四步全部用完，然后将我们的视频可以生成出来， 那么这样子呢，就是我们整个工作流的一个搭建，可以看到还是蛮简单的啊，并不会太难，对吧？那么整一个逻辑呢，其实跟我们的纹身图的逻辑非常的相像，那么这里我们可以将这个视频跑一下， 这个视频是什么啊？什么乱七八糟的，我们不管他这个提示词是原声带的，我们点击去生产，然后我们稍微等待一下，好，那么这样子呢，我们的视频就生产出来了啊，可能质量上会有所欠缺，但是我们可以看一下，哎，动态效果还是蛮好的，可以发现吧，对吧？ 只不过呢是我给到的这个分辨率太低了，四八零的一个分辨率，如果说你的电脑显存可以的话，我们可以给他提到七二零乘以幺二八零的啊，一个分辨率，那么他 所带来的效果应该就很好了。那么这里呢，我就不给大家试了啊，大家自己去试。那么本堂课内容呢？有那么多，如果你觉得大家还讲的不错的话，不要忘记一切散场喽，我们下期再见，拜拜。
18AI菩萨君-大鱼
00:29查看AI文稿AI文稿终于知道为啥 sd 二点零一直这么自信的涨价了，来看看同期呼声比较高的 w a n 二点七吧，都是用的手机端生成打斗场面提示词参考图一致 破。
14星漫AI剧场
06:35查看AI文稿AI文稿大家好，考虑到很多小伙伴还在使用 want 二点二模型，本次分享将聚焦于基于该模型的 i to v 长视频生成工作流。在图声视频方向上， 目前有三个值得关注的模型，迭代至 v 十版的达斯娃，升级到 v 三版的 remix， 以及相对较新的 smooth v 二版。它们在 svi 长视频生成任务上的表现究竟如何？每个片段时长二十秒， 提示词完全一致。接下来我们将通过视频对比直观呈现，并一探高下。 接下来介绍一下工作流的使用方法。首先上传一张图片作为视频的手帧，然后输入生成时长，建议控制在三十秒以内。单批次生成的帧数 默认为八十一帧，也可以选择六十五帧或九十七帧。注意帧数必须是八的倍数加一帧率默认为十六帧，一般不需要调整长边，分辨率通常设为八三二或一零二四。 显存充足的话也可以尝试一二八零。下方是自动提示词功能，使用的是 lama c p p 节点。目前 running hub 上使用 gemma 四还存在问题， 所以我们选择的是千问三点五。本地部署的小伙伴如果显存足够，可以考虑使用 jama 四二十六 b a 四 b。 显存较小的可以用 jama 四 e 四 b。 需要注意的是，本地部署需要将拉玛 cpp python 升级到 v 零点三点三五版本，否则无法运行。接下来是自动提示词的格式要求，这一点非常关键，生成的格式必须与视频中的视力完全一致，每个镜头描述为一段，一个镜头一段，中间不能有空行， 只有这样后续流程才能正确识别提示词。如果出现了空行或多余的前缀，系统将无法按当前提示词正确执行，这一点请务必注意。如果 ai 无法按此格式生成结果，可以考虑三种解决方案， 换一个模型，优化系统提示词或者手动输入提示词。接下来是模型加载部分，这里就不逐一介绍了。特别提醒一下，如果你的 comfy ui 没有安装 stage attention， 或者你不太清楚 stage attention 是 什么， 请直接把相关节点删掉，否则会影响工作流运行。右边是第一批图声视频，也就是普通的图声视频。如果你要使用手动提示词， 请按照指定格式输入到对应的输入框中，然后将该节点连接到这里的 prompt line 文本框即可。再往右是图生视频的循环生成模块， 这个模块是可以关闭的，关闭后工作流就只执行第一批普通的图生视频。如果使用手动提示词，操作方式是一样的，把刚才那个手动提示词操作方式是一样的，把刚才那个手动输入提示词的框。在最终输出视频之前， 我们还增加了两倍插针和 rtx 高清处理，让画面更流畅、更清晰。其余参数保持默认即可，不需要额外设置。感兴趣的小伙伴请按照上述步骤生成属于你自己的视频吧。你觉得哪个模型表现最好？欢迎在评论区留下你的看法。 以上工作流已上传至 runninghub， 模型已上传至网盘。好了，本期视频就到这里，我们下个视频见，拜拜！
28nonoone
02:29查看AI文稿AI文稿这个是我们的一个徒生视频的工作流，用的是开源模型万二零二，呃，比如说我们可以在这里上传一张参考图，对吧？然后提示词呢？就徒生视频的话，他提示词啊其实是比较，就是比较简单的，不像纹身视频，他提示词是需要写的丰富。 然后我们再看一下，我们用的模型是万二点二这个开元的模型做的，像这种百里图啊，啊，我们可以去让我们指定的人物穿上我们的这个，比如说这个 t 恤，然后再去用这个涂装视频的工作流去给他做一个视频动效，包括下面这个也是 给他一个百里图，里面是一个婚纱，中间让这个人物啊穿上我们指定的婚纱，然后再去用这个工作流去做视频， 对，这就是图生视频。还有像这个建筑类的，建筑类的也可以去做一个图生视频，包括室内设计，室内漫游的，左边是我们的这个三稿图，然后右边呢是我们的图生视频， 这个都是用我们这个叫康菲埃的图生视频的工作楼去做的，然后用的模型是那个万二零二的开源模型， 像这种建筑设计类的，我们可以给这个工作流程提供一个参考图。然后呢题词啊，就尽量去写一些动词，包括一些愿近词，比如说这个视频，呃，我当时做的是，呃，题词写的是箭头聚焦于这个建筑，然后从左到右旋卷， 对，就加了一些愿近词，里面进去真人的漫画的都可以做对，比如说像这种赛博风格的， 它的丝滑度还是非常好的，像下面的这种的也是，还有像这个带音频的， 呃， ltx 二点三的那个开源模型做的对，然后还有像下面这种的，我们也是呃原漫画人物，然后中间给它用千万的模型去做了一次风格转会，就是做成一个真人的风格，然后再去做视频。 这个现在，现在就是用了几个工作楼去配合， 我们可以看到他这个人物脸部，对吧？跟我们漫画是能保持人物一致性的，包括他的服装还有发型也是。
12:20查看AI文稿AI文稿hello， 大家好，我是图明，今天给大家分享一下阿里的两个视频生产的模型。首先是这个 one 二点一以及 one 后面升级的版本这个 v a c e。 然后，嗯，先看一下这两个模型的一个定位。首先这个 one 二点一是呃，阿里开源的先进的视频生成的基座模型，它是基于扩散的 d i t 与呃流流匹配的框架，然后在微半期上超过了很多商业的模型。 然后 vce 的 话，它是一个一体化的视频创作与编辑的模型。然后它是在 one 二点一的基础之上构建的视频条件单元，就是这个 vcu 和上下文的适配器，嗯， context adapter。 然后这个模型的话，它是统一了纹身视频、参考式视频、视频编辑以及野马编辑等多个任务。 然后第二个是看一下它在开源编辑 mark 上与其他缩头模型的一个对比。首先是这个 one 二点一 v a c e 十四 b 的 一个模型，它相比于没有加 v a c e 的， 它在 v 半起上的精度是大概提提升了两个点左右。 然后呃相比可林，然后 open source 的 模型，它的 v 半起都要高呃，非常多这个精度。 然后，呃。第三部分，我们来看一下这个 one 二点一它大概有哪一些网络模块，然后以及这些模块的核心的代码实现。首先这个 one 二点一里面 第一个模块是这个 ve 的 模块，它是一个三 d 的 因果 ve， 然后它具体的作用就是将视频从像素空间压缩到影空间，然后呃去进行一个算力的压缩，大概压缩了二百二百五十六倍，然后同时通过因果卷积去 保证持续的因果性，支持长视频的一个生成。然后这个是 ve 的 一个大概的架构吧，首先它的输入就是呃这个一加 t 乘以 h 乘以 w 乘以三的这样的一个输入，然后它会经过一个 encoder 的 编码器，然后这这个里面都是一些因果的 com 三 d， 然后它的 stride 会有一些区别， 然后呃接下来就是生成的这个引空间的 z， 然后这个 z 的 话就是它在时间维度上是压缩了四倍，然后在呃宽高的维度上是分别压缩了八倍，所以说压缩了二百五十六倍。然后这个引空间会经过一个解码器的 decoder， 然后这个里面会通过这个 comtranspose， 然后得到最终的一个输出，得到重建的视频的这个 vout， 然后看一下官方的这个呃 ve 这部分的一个代码的实现，然后它就是一个因果的三 d 卷积，然后需要注意的就是在呃时间维度只只去 padding 前向的元素，然后后向它的 这个数值是零。这个操作的目的就是为了保证呃它的一个因果性，确保输出时间点 t 只依赖于小于等于 t 的 一个输入。 然后第二个核心的模块就是这个 d i t 的 模块，然后它的作用就是视频生成的一个主干的网络，它是通过自注意力去捕捉时空的依赖，然后再通过 呃交叉注注意力去对齐文本条件，然后通过这个 ada nilao 这个模块去注入时间簿的一些信息， 然后这个 d i t 它的输入的话，首先有视频 token， 然后再加 t 的 时间簿以及 text 的 文本， 然后一共会有大概四个步骤，呃， step 一 的话就是这个 ada nilao 的 一个 呃 null 的 操作，然后它 a d a 模块里面它有 null siu， 然后 linear， 然后这个 linear 的 维度就是六倍的这个 dim， 然后它会通过一个 hack 的 操作把，这 就是最后会得到六个输出。然后首先三个输出就是这个自注意力的调制的模块，然后另外三个输出就是 m l p 调制的模块， 然后 step 二的话就是把上面的输出，然后再叠加这个嗯自注意力的操作，然后这个自注意力的部分就是一个 mha 的 attention， 然后 step 三的话就是一个交叉的注意力，然后这个地方就开始注入文本的条件，然后用的 attention 就是 一个 mha 的 cross attention， 然后 step 四的话就是 mlp， 再加另外一个 layerorm 的 模块，然后最后就输出呃更新后的一个视频 talk， 然后呃这个是 d i t block 的 一个核心的代码，可以看到就是这个 ada layerorm 就是 它的模块，就是一个 ceo， 再加一个 nina， 然后呃 sub 通信的话就是一个 mha， 然后 cross 通信也是一个 mha， 然后再加上一个 mlp 的 模块。 然后第三个核心的部分就是关于这个流流匹配，然后这一这部分的作用就是，呃定义从噪声到数据的一个直线路径，它的目的就是为了让神经网络去学习 预测速度而并非骤升，然后实现少步高质量生成的这样的一个目的。然后这个是牛股牛匹配 lfm 的 一个呃损失的一个公式吧， 然后他的核心思想就是从呃预测噪声到预测速度，然后这个是区别于传统的扩散模型的，然后他的呃作用的话就是可以让我们的生成的步数更少，然后生成的质量更高。 然后一句话总结就是牛匹配可以让神经网络学习从噪声直线，然后流向真实数据的一个速度的方向，然后推你的时候可以沿着这个速度场反向的去走几步，就可以生成视频，相比于传统的扩散路径更短，步数更少，且效果会更好。 然后另外一个部分就是 v a c e， 就是 这个 v a c e 是 在 one 二点一的基础上做了一个升级，然后把啊这个生成模型做成了一体化的视频创作编辑的这个模型， 然后看一下它的一个基本框架，它的输入就是一个文本的 token 啊，然后呃很多帧的一个序列 f 以及野马 mask， 然后这个里面有呃有两个核心模块，就是这个，首先是 vcu， 就是 一个视频条件单元，呃条件单元它的作用就是统一多任务的一个输入的格式，然后这里面可能有 呃，这里面的针可能分为两块，首先是 fk， 然后另外是 fc， 呃 fk 的 话就是需要保留的针， fc 的 话就是需要呃被生成的针。 然后另外一个模块就是这个 context 的 adapter， 这个部分是可以训练的一个模块，然后它的作用就是 呃用来进行参数的高效微调，然后呃通过这个 context 的 adapter， 它训练的输出作为去调 u d i t 的 一个残差注入，然后呃这个地方实际上 d i t 的 部分是直接冻住的，就呃相依 对这个 context 做一个微调，然后这个微调作为 d i t 的 一个残差，然后去影响整个网络的一个输出，然后这样可以极大地减少我们训练的一个时长开销， 然后最后会输出生成和编辑后的一个视频，然后我们再来看一下这个视频的条件单元 vcu， 它的作用是将 纹身视频，然后视频编辑等等不同任务的输入统一为文本帧训练以及野马这个三元组，实现任务的一个统一。然后这个是官网的一个核心的代码， 然后第二个，呃第二个模块就是就是 vcu 里面涉及到一个概念的解偶嘛，也就是呃保留帧和生成帧， 然后这个的作用就是它是基于掩码 fm 将输入帧分离为保留帧 呃 f k 和生成帧 fc， 让模型明确的知道哪些区域需要保留，哪些哪些区域需要重新生成，去提升训练的一个稳定性。然后具体的实现就是通过这两行代码来实现的。 然后呃第三个部分就是上下文的一个适配器，就是这个 context 的 这个模块，然后这个模块的作用就是它 呃，就是训练的时候会冻结 it 的 主干，然后仅仅去呃训练 it， 呃从从 it 复制一些 context 的 blocks， 就是 这个 context 的 模块的结构是从 d i t 复制过来的，然后通过残差注入将控制信号而融入这个 d i t 的 主分支，实现可插拔的一个高效微调的一个作用。 你看这个地方啊，这个 base blocks 就是 原本的一个 d i t， 然后它的梯度是直接冻住，然后不让它训练的。然后第二部分就是 会去复制呃 d i t 的 一些 block 作为 context 的 block， 然后用来学习控制的信号。然后然后第三块就是 context in better 这个地方，它的抽象化是用零来做的，抽象化防止一些初期的干扰， 然后你看在 forward 的 时候是直接呃，就是每隔几个，每隔就是两步吧，每隔两步会把这个呃 context 训练得到的这些特征的输入会注入到原本的 这个呃 d i t 的 主分支里面去，去影响主分支的一个效果，得到最终的生成的效果。 然后这一块就是讲的上面的呃 context inbox 的 一个零抽象化的作用，然后掩码通道的切入权重抽象化为零。 呃它是为了确保训练初期的 vce 不 影响主分支的一个输出，随着训练的呃进行逐步的去激活控制能力，完美的去保留基座模型的一个生生产的能力。然后这个是 vcu 编码的一个完整的数据流， 然后里面核心的模块就是这个 ve， 然后以及呃最后它会通过一个掩码下裁样和通道拼接，然后得到最终的一个 context 的 一个输出， 然后这些输出就可以作为 context block 的 一个输入。然后呃再来看一下，回顾一下 v a c e 和 one 二点零有哪些关键的一些改进吧。首先是输入模态这一块， 呃呃 vce 的 话，它是有一个 vcu 的 模块去统一多个输入，对，然后条件注入的这个地方 one 二点一，二点一的是呃交叉注意力，然后 vce 是 交叉注意力，再加一个嗯 contacts， 然后训练策略 one 二点，一是全量域训练，然后 vce 是 冻结的 d i t， 然后只训 adaptor， 然后收敛会更快一些， 然后概念结偶这一块啊， vce 是 有一个呃动静分离的一些针，然后嗯触动化的话就是 vce 会有一些延把通道的零触动化，然后这个大概就是今天的分享，请大家啊，一键三连，谢谢。
01:09查看AI文稿AI文稿今天这条视频给各位老板讲清楚，一点五的 w 跟二点零的 w 到底有什么区别啊？首先我们看一下一点五，一点五的话呢，它的这个涂装的话呢，它的驱动器是采用的 csm 的 这个 驱动器的一个涂装，然后拿袋子使用的是 dax 的 短袋子，也就说我们的体重超过一百的话呢，我们最好买这种延长袋夹在后边，这样的话呢，我们成年人能上腰哈。还有就是它的这个整体的一个驱动器，不需要安装任何的电池， 插上我们的记忆体对应的音效就会出来，没有台词也没有 bgm。 咱们再看看二点零的这个版本哈，二点零的这个版本同样是采用的 ccm 涂装，但是呢它的这个 后边是需要安装电池，而且有不同的模式，它是带台词带 bgm 的， 还可以红外联动，比如说两条二点零的放在一起的话呢，是有红外联动的功能啊， 并且二点零所使用的也是这种改装带啊，这样的话呢，各位老板就清楚喽。
04:59查看AI文稿AI文稿最近万二点七的发布，给了传统后期和 ai 玩家一个巨大的惊喜，作为多餐模型里的新猛将，他到底有多能打？今天学长将带你直接看实操，并且我会介绍四个非常实用的功能，让你一键就能做出极其惊艳的视 频。而看完这些，你会发现，在二零二六年的今天，你和顶级导演之间真的只差一个想象力了。准备好了吗？三点准备上课。 y 二点七最开始惊艳到我的地方就是它的原声视频编辑功能，也就是所谓的视频声视频。 以前我们想给画面换些元素，或者说加点特效，需要跟踪抠像，再加 a e 特效，简直头都要秃了。但现在呢，只需要输入一句提示词，比如说把这个视频里面的人物换成蓝色的头发来，我们一起看一下成片效果 怎么样，光影自然融合，非常真实，这意味着我们以后素材的二次创作成本被无限的拉低了，你省下的不仅仅是时间，还有大笔的后期特效经费。我们也可以非常方便的给我们的自媒体视频加上一些有趣的特效，比如说我们可以模仿影视巨峰这样的转场效果， 可以说只要你有想象力，什么都可以做到。那第二招也是最让我起一身鸡皮疙瘩的功能，就是创意一键复刻。我们在网上看到那些千万播放的爆款视频，那些神级转场，高级的胶片色调，大片级的运镜， 以前的话我们只能一点一点去扒，但是现在拿来吧，你啊，比如说这个经典的镜头，我们可以直接丢给 y 二点七作为参考视频，然后上传你想替换的角色形象，输入你的画面需求，一键就可以生成这样的同款画面， 那在 ai 时代，高级的审美已经可以被一键提取了，你完全可以站在巨人的肩膀上，把你的视频质感瞬间拉升到大师级别，那这里有很多做短视频的朋友，绝对是王炸级别的功能， 那我相信所有做 ai 视频的朋友都很苦恼怎么做出一个超级流畅的长镜头， 之前 ai 的 长镜头还是明显能看出一段段拼接出来的，但现在万奥电气彻底解决了这个巨大的痛点，你完全不用写专业的运镜提示词，只需要上传原来的视频，并且表明你是要续写这个视频，然后再上传新视频的尾帧， 那我们就可以得到一个非常丝滑自然的长镜头效果了。 哎，怎么样，这个效果达到你的要求了吗？ 大家苦 ai 视频抽卡久矣，很多模型根本听不懂自然的指令，我们需要告诉他非常精准的摄影运镜和精准的剪辑点，那这对于一些不太懂摄影的同学就很不友好了。 这个时候 y 二点七就起到了一个桥梁作用，它会充当导演，我们只需要作为甲方，告诉他我想要的效果， 就会自动做出非常合理且舒服的分镜切换。比如说我想要一段非常炫酷的开车追逐戏粉，那在这个地方输入我们的提示词，在右上角这里记得选择我们的分辨率长宽比以及视频生成的时长。然后如果我们用导演模式的话，记得点开这里的智能分镜，点击生成。 最后我来聊一聊大家最关心的现实问题，那目前他国内的官网会员如果年付的话是三十六块钱一个月，那官方也提供了 a p i 的 接入方式，这样可以方便我们在本地就可以直接调用。 那这个价格你觉得怎么样？说实话，体验完万二点七学长其实有一种深深的无力感，但也有种巨大的庆幸。无力是因为那些我们曾经苦练多年的底层技术在 ai 面前变得不值一提。 但庆幸的是， y 二点七彻底证明了一件事，未来的内容创作底层的技术门槛被完全拉平到零，我们不再需要做一个苦哈哈的剪辑工具人， ai 就是 那个任劳任怨干活的编导、剪辑、特效、摄影。 但是真正能够决定你走多远的，不再是你快捷键按的有多快，而是你的导演思维，你的审美认知和你讲故事的共情力。工具终究只是工具，而你才是那个不可替代的创意总监。最后我想送给所有同学一句话，不要害怕 ai， 而是尝试 去驾驭它。好了，我是大夏学长。以上就是本期视频的全部内容了，那么下期再见！拜拜！
5476大象学长
01:09查看AI文稿AI文稿哎呦轩呀，这锐度，这刻线清晰度，真是大班拼多了，拼一次万代感觉是天上地下的差别，再来看看这大班的自由， 要不是我朋友给我做的全喷土预制菜，我真想给你扔了！拼答辩和国摩拼习惯了，干啥都拿出吃奶的劲，这次都是轻轻一按就进去了，总是给我一种拼完后会松松垮垮的感觉，结果怎么着？ 爽啊！但是碍于结构的设计，骨架阶段实在是不够饱满，甚至是没有完整的骨架结构，万代什么时候能给总系做个各方面都完美的自由出来啊，这也算是老魔了，各方面可动我就不展示了，摆几个帅气的姿势 直接入柜。只不过打完的时候要注意，万恶的皆是零件啊，时装非常容易断，打完的时候建议捏住大腿根来轻轻调整。这次也是给我最喜欢的自由贴上了，初音的痛贴，爽啊！好了，以上就是我对这款万代 gt 自由二点零的全部 的分享了，如果觉得这个视频对你有帮助，或者喜欢这种真实的分享，请一定帮我点个赞，支持一下，这对我真的很重要，下期想看什么也可以告诉我，我们下期再见！
