Filme Gen: Um Elenco de Modelos de Fundação de Mídia

Movie Gen: A Cast of Media Foundation Models

October 17, 2024

Autores: 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

Resumo

Apresentamos o Movie Gen, um elenco de modelos fundamentais que gera vídeos de alta qualidade em HD de 1080p com diferentes proporções de aspecto e áudio sincronizado. Também demonstramos capacidades adicionais, como edição de vídeo precisa baseada em instruções e geração de vídeos personalizados com base na imagem de um usuário. Nossos modelos estabelecem um novo estado da arte em várias tarefas: síntese de texto para vídeo, personalização de vídeo, edição de vídeo, geração de áudio para vídeo e geração de áudio para texto. Nosso maior modelo de geração de vídeo é um transformador de 30B parâmetros treinado com um comprimento máximo de contexto de 73 mil tokens de vídeo, correspondendo a um vídeo gerado de 16 segundos a 16 quadros por segundo. Apresentamos múltiplas inovações técnicas e simplificações na arquitetura, espaços latentes, objetivos e receitas de treinamento, curadoria de dados, protocolos de avaliação, técnicas de paralelização e otimizações de inferência que nos permitem colher os benefícios da escala de dados de pré-treinamento, tamanho do modelo e poder de treinamento para treinar modelos de geração de mídia em grande escala. Esperamos que este artigo ajude a comunidade de pesquisa a acelerar o progresso e a inovação em modelos de geração de mídia. Todos os vídeos deste artigo estão disponíveis em 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.