智谱AI发布CogVideoX v1.5：10秒生成4K高清视频，尽享“新清影”体验

近日，备受瞩目的跨模态视频生成模型 CogVideoX 迎来 v1.5 版本，并已正式开源。据悉，这一版本在 8 月份便已完成，是 CogVideoX 项目中的又一重大进展。

值得一提的是，新版本不仅支持生成指定时长的视频内容，还能够处理生成时长在 5 秒到 10 秒之间的视频片段，并支持生成 768P 分辨率的高清视频，最长可达 16 秒。同时，I2V（图像到视频）功能也得到了显著改进，能够更流畅地从静态图像生成动态视频。

CogVideoX v1.5 包含两个核心模型：CogVideoX v1.5-5B 和 CogVideoX v1.5-5B-I2V，它们均向公众开放，供研究者和开发者免费使用。

与以往版本相比，CogVideoX v1.5 实现了多项重要突破，它还引入了 CogSound 音频生成模型，实现了“视频 + 音频”的协同创作。这一功能可以提升视频内容的表现力，实现更逼真的视听效果，支持生成 10 秒、4K、60 帧的优质视频内容。

主要功能亮点：

• 视频生成：能够根据文本描述生成视频，并对视频的内容、风格和场景进行精细控制。

• 高清视频生成：支持生成 10 秒、4K、60 帧的优质视频内容。

• 图像转视频：能够根据单张图像生成视频，实现静态图像的动态化。

• 多片段视频生成：能够通过组合多个片段生成更长的视频。

• AI 音频生成：可以通过文本生成与视频内容相匹配的音频。

除了上述亮点之外，CogVideoX 模型还集成了视频生成所需的多种关键技术，从而降低了用户的使用门槛，简化了视频创作流程。它还采用了来自 CogVLM2-caption 的视频描述生成技术，用于生成更具表现力的视频内容。通过该模型的运用，即使是初学者也能轻松地生成高质量的视频内容。

在技术实现方面，CogVideoX 采用了三维变分自编码器（3D VAE）结构，提升了视频生成过程中的时空一致性。此外，该模型还利用了高效的 Transformer 架构，从而实现了对视频内容和风格的精准把控，最终生成高质量的视频作品。

总而言之，CogVideoX 项目的开源为相关领域的研究和应用带来了新的机遇，降低了视频生成的技术门槛。CogVideoX v1.5 版本的发布进一步提升了模型的性能，为用户提供了更强大的创作工具。

项目地址：https://github.com/thudm/cogvideo

模型地址：https://huggingface.co/THUDM/CogVideoX1.5-5B-SAT

总结：

✨ CogVideoX v1.5 版本的发布，支持生成 5/10 秒视频，以及 768P 高清视频，时长可达 16 秒。

🎬 引入 CogSound 音频生成模型，可以生成 4K 高清视频内容。

📚 采用视频描述生成技术，可以更好地控制视频的生成和编辑。