产品概述
CogVideo是由清华大学与北京智源人工智能研究院（BAAI）共同开发的开源文本到视频生成模型，拥有94亿参数，是当时最大的通用领域预训练模型之一。它巧妙利用了已有的文本-图像生成模型CogView2作为基础，通过多帧率分层训练策略，将文本描述高效转化为连贯的视频序列。该模型支持中文输入，并提供详细的文档和教程，降低了研究者和开发者的使用门槛。
核心优势
CogVideo最大的亮点在于其训练策略：通过继承预训练的CogView2模型，避免了从零开始训练视频生成模型所需的巨额计算资源。多帧率分层训练使其能够先根据文本生成关键帧，再通过插帧技术补全中间帧，从而控制运动变化的强度，更好地对齐文本语义与视频内容。此外，它还能根据详细文本描述构建3D环境和动画，展现出强大的动态场景生成能力。
适用场景
- 内容创作：快速将创意脚本转化为短视频素材。
- 动画制作：辅助生成关键帧序列，降低手工动画成本。
- 教育演示：将复杂概念用视频动态呈现。
- 多模态研究：作为文本到视频生成的基准模型进行改进和对比。
- 虚拟场景构建：生成3D场景的动画预览。