CogVideo

CogVideo 是清华大学与 BAI 唐杰团队联合推出的开源文本到视频生成模型，基于 Transformer 架构，把预训练的文本到图像模型 CogView 的能力延伸到了动态画面。它采用多帧率分层训练策略，参数量达到 94 亿，在通用领域的同类模型中属于规模较大的一档。想弄清楚一段文字是怎么被拆解成连续镜头的，这个站点可以直接上手试。

• CogVideo 官网入口：https://models.aminer.cn/cogvideo/

模型技术特性

• 参数量级大：94 亿参数，放在通用领域的文本到视频生成模型里属于最大的一批。
• 文本解析细：能读懂描述中的场景、对象、动作、人物乃至对话，再转换成对应画面。
• 分层训练对齐：多帧率分层训练让文本和视频片段对应得更准，成片更贴着原描述走。
• 代码权重开源：源码与模型权重均可自由下载，方便本地研究和二次开发。

使用方式

• 多规格可选：除主模型外还有 CogVideoX-2B 与 CogVideoX-5B，参数量分别是 20 亿和 50 亿。
• 低算力可跑：支持量化推理，显存有限的设备同样能运行。
• 图形界面操作：配套 WebUI 工具 Cogstudio，把文本生成视频的流程做成了可视化界面。
• 任务类型多：除文本转视频，还覆盖视频转视频、图片转视频等玩法。

应用场景

• 剧本可视化：把文字剧本转成动态片段，帮导演和编剧确认内容最终的呈现效果。
• 教学素材：用于课程介绍、教学视频制作，让知识点更容易被看进去。
• 广告创意：自动产出视频草稿，压缩创意设计阶段的试错时间。
• 社交内容：快速生成适合平台发布的视频素材，应付日常的视觉内容需求。

从文档、教程到在线体验，这个站点把文本生成视频的入口摆得比较清楚，专业用户和非专业用户都能找到自己的用法。需要留意的是，训练所依赖的视频—文本对数据仍然稀缺、相关性偏弱，模型对复杂语义关系的理解还有提升空间，这也是后续研究要啃的硬骨头。想快速验证一个创意，或者做多模态方向的实验，从这里进去都算合适。