中国首个Sora级视频大模型「Vidu」 发布，可理解中国元素

4月28日消息，昨日在2024中关村论坛-未来人工智能先锋论坛上，清华大学联合生数科技正式发布了，中国首个长时间、高一致性、高动态性视频大模型——Vidu。

据悉，Vidu采用了原创的Diffusion与Transformer融合的架构U-ViT，支持文本生成长达16秒、分辨率高达1080P的高清视频内容。

根据现场演示的效果，Vidu能够模拟真实的物理世界，能够生成细节复杂、并且符合真实物理规律的场景，例如合理的光影效果、细腻的人物表情等。它还具有丰富的想象力，能够生成真实世界不存在的虚构画面，创造出具有深度和复杂性的超现实主义内容，例如“画室里的一艘船正在海浪中驶向镜头”这样的场景。

此外，Vidu能够生成复杂的动态镜头，不再局限于简单的推、拉、移等固定镜头，而是能够围绕统一主体在一段画面里就实现远景、近景、中景、特写等不同 镜头的切换，包括能直接生成长镜头、追焦、转场等效果，给视频注入镜头语言。

作为中国自研视频大模型，Vidu还能理解中国元素，能够在视频中生成例如熊猫、龙等特有的中国元素。

Vidu宣传视频截图

自今年2月Sora发布推出后，团队基于对U-ViT架构的深入理解以及长期积累的工程与数据经验，在短短两个月进一步突破长视频表示与处理关键技术，研发推出Vidu视频大模型，显著提升视频的连贯性与动态性。

“Vidu的命名不仅谐音‘Vedio’，也蕴含‘We do’的寓意。”清华大学教授、生数科技首席科学家朱军表示，模型的突破是一个多维度、跨领域的综合性过程，需要技术与产业应用的深度融合，希望与产业链上下游企业、研究机构加强合作，共同推动视频大模型进展。