近来一个个视频生成模型出现，无论是贴近提示要求或在视频处理细节上，许多情况下展现出令人惊艳的高品质。Google 也不甘示弱，日前发表自主开发的大型语言模型 VideoPoet。
为了探索语言模型在视频生成中的应用，Google 引进全新大型语言模型 VideoPoet，能够执行包括文字转成视频、图片转成视频、视频风格转换、视频修复、视频生成语音等五大功能，而且预设直接产生短视频影音。
比方说，用户输入文字提示「两只熊猫打扑克牌」，VideoPoet 生成两只熊猫坐在桌边打扑克牌的短视频。图片转成视频方面，像是上传一张油画图片，画中一艘航向大海的船遭遇雷电交加、波涛汹涌的大浪，使用 VideoPoet 可以转变成动图型态。
VideoPoet 也能为视频生成语音，例如先以模型产生 2 秒短片，并尝试在没有任何文字提示下配上语音，于是从单一模型就能产生视频和语音。
VideoPoet 是训练一个自回归语言模型，通过使用多个标记器（用于视频和图片的MAGVIT V2，以及用于语音的SoundStream）学习视频、图片、语音、文字形式，像是通过文字和图片输入分解、标记，进而产生复杂的视频。
Google 目标希望 VideoPoet 能够 any-to-any，根据任何提示任意转换，同时也要扩展至文字转成视频、语音转成视频、生成视频字幕等功能。
VideoPoet 将许多视频生成功能无缝整合至单一模型，而不是针对不同任务单独训练模型，特别在生成有趣影片和高品质动作上，展现出大型语言模型具高度竞争力的视频生成品质。
