灵活可控的视频合成与运动模式生成工具
VideoComposer是一个开源的视频合成模型,能够同时控制生成视频的空间和时间特征。它支持文本、草图、参考视频等多种输入形式,为用户提供灵活的创作方式。项目包含预训练模型和用户界面,便于研究人员和开发者进行视频合成实验。
VideoComposer: 具有运动可控性的组合式视频合成的官方代码库
更多示例请查看项目主页。
我们正在寻找有才华、有动力和富有想象力的研究人员加入我们的团队。如果您感兴趣,请随时发送您的简历至邮箱yingya.zyy@alibaba-inc.com
VideoComposer是一个可控的视频扩散模型,允许用户灵活地同时控制合成视频中的空间和时间模式,可以通过各种形式进行控制,如文本描述、草图序列、参考视频,甚至简单的手工制作动作和手绘图。
要求:
您也可以使用以下命令创建与我们相同的环境:
conda env create -f environment.yaml
通过以下命令下载所有模型权重:
!pip install modelscope
from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download('damo/VideoComposer', cache_dir='model_weights/', revision='v1.0.0')
接下来,按照下面显示的文件结构将这些模型放在model_weights
文件夹中。
|--model_weights/
| |--non_ema_228000.pth
| |--midas_v3_dpt_large.pth
| |--open_clip_pytorch_model.bin
| |--sketch_simplification_gan.pth
| |--table5_pidinet.pth
| |--v2-1_512-ema-pruned.ckpt
您也可以从它们的原始项目中下载其中一些:
为方便起见,我们在本仓库中提供了下载链接。
在这个项目中,我们提供了两种实现方式,可以帮助您更好地理解我们的方法。
您可以使用以下命令运行代码:
python run_net.py\
--cfg configs/exp02_motion_transfer.yaml\
--seed 9999\
--input_video "demo_video/motion_transfer.mp4"\
--image_path "demo_video/moon_on_water.jpg"\
--input_text_desc "A beautiful big moon on the water at night"
结果保存在outputs/exp02_motion_transfer-S09999
文件夹中:
在某些情况下,如果您注意到颜色差异有显著变化,可以使用风格条件来调整颜色分布,使用以下命令。这在某些情况下可能会有帮助。
python run_net.py\
--cfg configs/exp02_motion_transfer_vs_style.yaml\
--seed 9999\
--input_video "demo_video/motion_transfer.mp4"\
--image_path "demo_video/moon_on_water.jpg"\
--style_image "demo_video/moon_on_water.jpg"\
--input_text_desc "A beautiful big moon on the water at night"
python run_net.py\
--cfg configs/exp03_sketch2video_style.yaml\
--seed 8888\
--sketch_path "demo_video/src_single_sketch.png"\
--style_image "demo_video/style/qibaishi_01.png"\
--input_text_desc "Red-backed Shrike lanius collurio"
python run_net.py\
--cfg configs/exp04_sketch2video_wo_style.yaml\
--seed 144\
--sketch_path "demo_video/src_single_sketch.png"\
--input_text_desc "枝头上有一只红背伯劳(lanius collurio)"
python run_net.py\
--cfg configs/exp05_text_depths_wo_style.yaml\
--seed 9999\
--input_video demo_video/video_8800.mp4\
--input_text_desc "一条闪闪发光的半透明鱼在一个小玻璃碗里游泳,碗里有多彩的石头,这条鱼看起来像玻璃做的"
python run_net.py\
--cfg configs/exp06_text_depths_vs_style.yaml\
--seed 9999\
--input_video demo_video/video_8800.mp4\
--style_image "demo_video/style/qibaishi_01.png"\
--input_text_desc "一条闪闪发光的半透明鱼在一个小玻璃碗里游泳,碗里有多彩的石头,这条鱼看起来像玻璃做的"
你可以使用以下命令运行代码:
python run_net.py \
--cfg configs/exp01_vidcomposer_full.yaml \
--input_video "demo_video/blackswan.mp4" \
--input_text_desc "一只黑天鹅在水中游泳" \
--seed 9999
这个命令将提取输入视频的不同条件,如深度、草图和运动向量,用于后续的视频生成,这些条件会保存在"outputs"文件夹中。任务列表在<font style="color: rgb(128,128,255)">inference_multi.py</font>中预定义。
除了上述用例,你还可以使用这个代码和模型探索更多可能性。请注意,由于扩散模型生成的样本具有多样性,你可以尝试不同的种子来生成更好的结果。
我们希望你喜欢使用它!😀
如果这个仓库对你有用,请引用我们的技术论文。
@article{2023videocomposer, title={VideoComposer: Compositional Video Synthesis with Motion Controllability}, author={Wang, Xiang* and Yuan, Hangjie* and Zhang, Shiwei* and Chen, Dayou* and Wang, Jiuniu, and Zhang, Yingya, and Shen, Yujun, and Zhao, Deli and Zhou, Jingren}, booktitle={arXiv preprint arXiv:2306.02018}, year={2023} }
我们要感谢几个先前工作对VideoComposer开发的贡献。这包括但不限于Composer、ModelScopeT2V、Stable Diffusion、OpenCLIP、WebVid-10M、LAION-400M、Pidinet和MiDaS。我们致力于在尊重这些原始贡献的基础上进行进一步的发展。
这个开源模型是在WebVid-10M和LAION-400M数据集上训练的,仅用于<strong>研究/非商业用途</strong>。我们还使用内部视频数据训练了更强大的模型,这些模型可能在未来使用。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以 根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号