近期，生成式人工智能（AIGC）领域又涌现出多款创意十足的新应用。

今天，钛媒体AGI梳理了免费 AI “神器”系列第十四弹，共五款，其中不少产品再一次拓宽了我们对AI的想象力。

• 120秒超长AI视频模型——StreamingT2
• 即插即用的视频转视频框架——AnyV2V
• 谷歌图生视频模型——Vlogger
• 文本转视频模型——Hotshot ACT-1
• AI视频生成模型——Motion-I2V

1、120秒超长AI视频模型——StreamingT2

产品信息：StreamingT2是由Picsart AI Research、UT Austin和Shi Labs的研究团队共同开发的一款文生视频模型，该模型突破了以往AI视频长度限制，可生成长达2分钟的长视频。StreamingT2的发布将视频生成技术推向了新高度，也被称为Sora的强劲对手。

产品功能： StreamingT2V可以根据用户的文字提示生成长达120秒的长视频，同时，StreamingT2V将条件注意力模块（CAM）和外观保持模块(APM)核心构架结合，使得生成的视频与文本描述紧密相关且动态连续，展现高动态效果和时间一致性。

此外，StreamingT2V的实现方法分为初始化、Streaming T2V生成和Streaming Refinement三个阶段，保证了视频生成的高质量和高分辨率，并且StreamingT2V的高效能并不局限于特定的模型，这意味着随着技术的进步，视频质量还有进一步提升的空间。

项目及演示：https://streamingt2v.github.io

论文地址：https://arxiv.org/abs/2403.14773

2、即插即用的视频转视频框架——AnyV2V

产品信息：AnyV2V是一款无需训练，即插即用的AI视频编辑框架，该框架由滑铁卢大学、Vector Institute 和 Harmony.AI 团队共同开发，旨在帮助用户简化视频创作流程，提高视频制作效率。

产品功能：AnyV2V不仅支持对源视频进行深度编辑与修改，还能按照输入文本提示，主题或风格等，生成对应新视频。

具体来看，AnyV2V将视频编辑简化为了两个主要步骤：首先，AnyV2V 可以插入任何现有的图像编辑工具，从而支持多个视频编辑任务。其次，AnyV2V 可以插入任何现有的图像视频模型，执行 DDIM 反转和中间特征注入，从而保持与源视频的外观和运动一致性。

此外， AnyV2V 还可以支持视频编辑任务，包括基于参考的风格转换、主题驱动编辑和身份处理。

项目地址：https://tiger-ai-lab.github.io/AnyV2V/

论文地址：https://huggingface.co/papers/2403.14468

3、谷歌图生视频模型——Vlogger

产品信息：Vlogger是谷歌推出的一款图生视频技术框架，该框架是基于 MENTOR 数据库训练而来，数据库中包含超过 80 万名人物肖像，以及累计超过 2200 小时的影片，使得VLOGGER可以生成不同种族、不同年龄、不同穿着、不同姿势的人物视频。

产品功能：用户只需上传一张人物图片＋音频文件，就能实现让人物开口说话，生成一段人像与音频完美贴合且流畅的视频，并能做到视频中人物面部表情及肢体动作都相当自然且生动。

团队成员表示，和业内此前的同类方法相比，VLOGGER最大的优势体现在不需要对每个人进行训练、也不依赖于面部检测和裁剪，并且生成的视频很完整（既包括面部和唇部，也包括肢体动作）等等。此外，Vlogger 还具有视频编辑和翻译等应用，能够让人物闭嘴、闭眼，甚至进行视频翻译。

项目地址：https://enriccorona.github.io/vlogger

4、文本转视频模型——Hotshot ACT-1

产品信息：Hotshot - ACT 1是一款由Hotshot Research开发的文本生成视频模型，该模型基于大规模高分辨率文本视频语料库训练，注重空间对齐、时间对齐和审美质量，旨在为视频创作者提供高质量的视频创作体验。

产品功能：用户只需输入文本描述，即可生成动画风格的视频。同时可以根据自身需求选择不同的宽高比和分辨率输出，定制化自己的视频内容。

体验地址：https://hotshot.co/act-one

5、AI视频生成模型——Motion-I2V

产品信息： Motion-I2V是一款AI视频生成模型，能够根据一张静态图片生成连贯且可控制的视频。

产品功能：能实现图像到视频的自动转换，能够将静态图像自动转换成连贯的动态视频，通过模拟图像中对象的自然运动，使静态图像动起来。同时支持用户精确控制视频中的运动轨迹和运动区域，使得生成的视频不仅流畅连贯，而且用户可以通过简单的操作控制视频内容。

此外，基于其先进的运动增强和时间注意力技术，无需额外的训练样本，Motion-I2V就能实现视频风格转换，比如从现实风格转换成漫画风格。

项目主页：https://xiaoyushi97.github.io/Motion-I2V/

论文地址：https://huggingface.co/papers/2401.15977

（本文首发于钛媒体APP，作者|章橙，编辑|林志佳）