跳到正文

Snap Video

面向文本到视频合成的视频优先模型

访问官网

Snap Video 是什么

Snap Video 被介绍为一个视频优先的模型,通过延伸 EDM 框架应对视频生成中的运动保真度、视觉质量和可扩展性挑战。资料描述它利用帧间冗余信息,提出可伸缩的 transformer 架构,把空间和时间维度作为高度压缩的 1D 潜在向量。

你可以用它做什么

  • 延伸 EDM 框架以支持视频生成
  • 使用可伸缩的 transformer 架构
  • 对空间和时间进行联合建模
  • 合成时间连贯性强、运动复杂的视频

模型说明

  • 利用帧间的冗余信息
  • 把空间与时间压缩进 1D 潜在向量
  • 资料称架构可高效训练,达到数十亿参数规模
  • 补充信息把它称为用于文本到视频合成的可扩展空间时间转换器

使用示例

  • 根据小白兔奶糖的广告语生成相关视频
  • 输入猫追逐蝴蝶的描述生成相关短视频
  • 根据文字输入生成新年问候视频

优点与缺点

✓ 我们认可的地方

  • 把空间与时间维度压缩为统一的 1D 潜在向量
  • 资料称架构可高效训练并达到数十亿参数规模

! 需要留意的地方

  • 方案建立在延伸 EDM 框架之上
  • 视频合成依赖压缩后的 1D 潜在向量

常见问题

它延伸了哪个框架?

资料说明它延伸 EDM 框架来支持视频生成。

空间和时间如何处理?

资料描述把空间与时间维度作为高度压缩的 1D 潜在向量,进行空间时间联合建模。

最后评测: 2026-11-15

更多 AI 视频生成 工具

查看全部 →

评测方法