四川
哈嘍，大家好，我是小方，今天，我們主要來看看，如今網絡上那些足以亂真的AI視頻，到底是怎么“變”出來的，以及這項技術的最新動態究竟到了哪一步。
如果你在2024年看過早期AI生成的視頻，多半會覺得動作別扭、畫面閃爍，而且全是“啞劇，但到了2025年，局面徹底變了，OpenAI的Sora、谷歌的Veo 3這些模型生成的十幾秒片段，在清晰度和連貫性上已經讓人難辨真假。
更關鍵的突破在于聲音，此前，AI生成視頻和生成音頻是兩個分離的步驟，合成后常常口型對不上，而谷歌Veo 3的核心創新，在于它能像理解畫面一樣理解聲音，將音頻和視頻數據壓縮成一個整體來處理，實現真正的“聲畫同生”，用DeepMind CEO哈薩比斯的話說，這標志著“我們正在走出視頻生成的無聲時代”。
這一切的背后，都繞不開一個核心——擴散模型。你可以把它想象成一個擁有超凡學習能力的“去噪大師”。
研究人員把視頻在時間和空間上切成一個個小方塊，就像把一部電影拆成一串“視覺詞匯”，Transformer則負責理解這些“詞匯”之間的前后關系，確保生成的視頻在時間流上是邏輯自洽的，正是擴散模型和Transformer的結合，才造就了Sora等模型能生成時間、空間都穩定的視頻。
AI視頻生成的技術躍遷，本質上是將創造力工具前所未有地民主化，它正在重塑從好萊塢大片到個人短片的整個內容創作圖譜。
盡管伴隨噪音與能耗的挑戰，但這項技術本身如同當年的攝像機或電腦特效，核心仍取決于使用它的人。未來，屬于那些能用AI表達獨特創意、傳遞真實情感的故事講述者。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
