Generatore di Film: Un Cast di Modelli di Fondazione Media

Movie Gen: A Cast of Media Foundation Models

October 17, 2024

Autori: Adam Polyak, Amit Zohar, Andrew Brown, Andros Tjandra, Animesh Sinha, Ann Lee, Apoorv Vyas, Bowen Shi, Chih-Yao Ma, Ching-Yao Chuang, David Yan, Dhruv Choudhary, Dingkang Wang, Geet Sethi, Guan Pang, Haoyu Ma, Ishan Misra, Ji Hou, Jialiang Wang, Kiran Jagadeesh, Kunpeng Li, Luxin Zhang, Mannat Singh, Mary Williamson, Matt Le, Matthew Yu, Mitesh Kumar Singh, Peizhao Zhang, Peter Vajda, Quentin Duval, Rohit Girdhar, Roshan Sumbaly, Sai Saketh Rambhatla, Sam Tsai, Samaneh Azadi, Samyak Datta, Sanyuan Chen, Sean Bell, Sharadh Ramaswamy, Shelly Sheynin, Siddharth Bhattacharya, Simran Motwani, Tao Xu, Tianhe Li, Tingbo Hou, Wei-Ning Hsu, Xi Yin, Xiaoliang Dai, Yaniv Taigman, Yaqiao Luo, Yen-Cheng Liu, Yi-Chiao Wu, Yue Zhao, Yuval Kirstain, Zecheng He, Zijian He, Albert Pumarola, Ali Thabet, Artsiom Sanakoyeu, Arun Mallya, Baishan Guo, Boris Araya, Breena Kerr, Carleigh Wood, Ce Liu, Cen Peng, Dimitry Vengertsev, Edgar Schonfeld, Elliot Blanchard, Felix Juefei-Xu, Fraylie Nord, Jeff Liang, John Hoffman, Jonas Kohler, Kaolin Fire, Karthik Sivakumar, Lawrence Chen, Licheng Yu, Luya Gao, Markos Georgopoulos, Rashel Moritz, Sara K. Sampson, Shikai Li, Simone Parmeggiani, Steve Fine, Tara Fowler, Vladan Petrovic, Yuming Du

cs.AI

Abstract

Presentiamo Movie Gen, un insieme di modelli fondamentali che genera video ad alta qualità in HD a 1080p con diversi rapporti di aspetto e audio sincronizzato. Mostriamo inoltre capacità aggiuntive come il montaggio video preciso basato su istruzioni e la generazione di video personalizzati basati sull'immagine di un utente. I nostri modelli stabiliscono un nuovo stato dell'arte su molteplici compiti: sintesi testo-video, personalizzazione video, montaggio video, generazione video-audio e generazione testo-audio. Il nostro modello di generazione video più grande è un transformer con 30 miliardi di parametri addestrato con una lunghezza massima del contesto di 73.000 token video, corrispondente a un video generato di 16 secondi a 16 fotogrammi al secondo. Mostriamo diverse innovazioni tecniche e semplificazioni sull'architettura, spazi latenti, obiettivi e ricette di addestramento, cura dei dati, protocolli di valutazione, tecniche di parallelizzazione e ottimizzazioni dell'inferenza che ci consentono di sfruttare i vantaggi della scalabilità dei dati di pre-addestramento, delle dimensioni del modello e del calcolo di addestramento per modelli di generazione di media su larga scala. Speriamo che questo articolo aiuti la comunità di ricerca ad accelerare il progresso e l'innovazione nei modelli di generazione di media. Tutti i video di questo articolo sono disponibili su https://go.fb.me/MovieGenResearchVideos.

English

We present Movie Gen, a cast of foundation models that generates high-quality, 1080p HD videos with different aspect ratios and synchronized audio. We also show additional capabilities such as precise instruction-based video editing and generation of personalized videos based on a user's image. Our models set a new state-of-the-art on multiple tasks: text-to-video synthesis, video personalization, video editing, video-to-audio generation, and text-to-audio generation. Our largest video generation model is a 30B parameter transformer trained with a maximum context length of 73K video tokens, corresponding to a generated video of 16 seconds at 16 frames-per-second. We show multiple technical innovations and simplifications on the architecture, latent spaces, training objectives and recipes, data curation, evaluation protocols, parallelization techniques, and inference optimizations that allow us to reap the benefits of scaling pre-training data, model size, and training compute for training large scale media generation models. We hope this paper helps the research community to accelerate progress and innovation in media generation models. All videos from this paper are available at https://go.fb.me/MovieGenResearchVideos.