最近，视频生成领域取得了显著进展，开源社区贡献了大量研究论文和工具，用于训练高质量的模型。 然而，尽管有这些努力，现有的信息和资源仍不足以达到商业级的性能。日本初创公司Rhymes开源了文生视频模型 Allegro，这是一种在质量和时间一致性方面表现出色的先进视频生成模型。 Allegro在性能上超越了现有的大多数开源模型和商业模型，仅次于Hailuo和Kling。

Allegro使用户能够从简单的文字提示生成高质量的6秒视频，视频的帧率为15帧每秒，分辨率为720p。这样的质量水平可以高效地创造出各种电影主题，从详细的特写镜头到不同场景中动物的动态表现，几乎可以根据文字描述想象出任何场景。（链接在文章底部）

01 技术原理

该模型的能力基于核心技术，这些技术用于处理视频数据、压缩原始视频和生成视频帧，使得文字提示能够转化为短视频片段。

1. 大规模视频数据处理：为了创建一个能够生成多样化和逼真视频的模型，需要一个系统来处理大量的视频数据。 为此，Allegro设计了系统化的数据处理和过滤流程，从原始数据中提取训练视频。 这个过程是按步骤进行的，包括以下几个阶段：

接下来，基于处理过程中获得的指标，Allegro开发了一个结构化数据系统，可以对数据进行多维分类和聚类，从而方便模型的训练和调整，以适应不同的阶段和目的。

2. 将视频压缩为视觉标记：视频生成中的一个关键挑战是处理大量的数据。为了解决这个问题，Allegro将原始视频压缩成更小的视觉标记，同时保留重要细节，从而实现更流畅、更高效的视频生成。

具体来说，Allegro设计了一个视频变分自编码器（VideoVAE），它将原始视频编码为时空潜在空间。VideoVAE基于预训练的图像VAE，并扩展了时空建模层，以有效利用空间压缩能力。

3. 扩展视频扩散Transformer：Allegro视频生成能力的核心在于其扩展的扩散Transformer架构，这种架构利用扩散模型生成高分辨率的视频帧，确保视频运动的质量和流畅性。 Allegro的主干网络基于DiT（扩散Transformer）架构，采用了3D RoPE位置嵌入和3D全注意力机制。 这种架构能够高效捕捉视频数据中的空间和时间关系。

02 标题内容2

https://arxiv.org/pdf/2410.15458
https://github.com/rhymes-ai/Allegro

欢迎交流～，带你学习AI，了解AI