起底可灵背后原理：扩散模型结合Transformer助力视频生成

近日，中国短视频平台快手发布了首个文本到视频的生成式人工智能模型“可灵大模型”（Kling），可生成长达两分钟、帧率为每秒30帧、分辨率高达1080p的视频。这一模型与OpenAI的Sora模型类似，将扩散模型与Transformer架构结合，使其能够处理更大的视频数据文件并有效生成结果。可灵模型的工作方式类似于Sora，通过结合扩散模型和Transformer架构，实现了对视频生成的高效处理。快手的庞大视频平台为可灵提供了丰富的训练数据，尽管快手表示其模型训练使用了全球互联网上公开的数据，但具体细节未披露。目前，可灵在实用性上的最大限制是只能生成5秒长的视频，适合短视频行业的需求。随着技术的进步，未来可能会对短视频创作规则产生重大影响，甚至可能减少平台对网红创作者的依赖。总之，随着可灵及其他类似模型的发布，文本到视频工具领域将更加活跃，对短视频创作和行业发展产生深远影响。