WorldGPT来了：打造类Sora视频AI智能体，「复活」图文
OpenAI的Sora在今年2月惊艳亮相，为文本生成视频带来了全新的突破。它可以根据文字输入创作出仿佛来自好莱坞的逼真且充满想象力的影片，让人叹为观止。许多人都对这一创新赞叹不已，认为OpenAI的表现实现了巅峰之作。Sora引发的热潮持续不减，同时研究者们也开始认识到AI视频生成技术的巨大潜力，这一领域正受到越来越多人的关注。然而，当前AI视频生成领域，大部分算法研究将重点放在了通过文本提示生成视频，对于多模态输入，特别是图片与文本结合的场景，并没有进行深入探讨或广泛应用。这种偏向降低了生成视频的多样性
OpenAI 的 Sora 在今年 2 月惊艳亮相，为文本生成视频带来了全新的突破。它可以根据文字输入创作出仿佛来自好莱坞的逼真且充满想象力的影片，让人叹为观止。许多人都对这一创新赞叹不已，认为OpenAI 的表现实现了巅峰之作。
Sora引发的热潮持续不减，同时研究者们也开始认识到AI视频生成技术的巨大潜力，这一领域正受到越来越多人的关注。
然而，当前 AI 视频生成领域，大部分算法研究将重点放在了通过文本提示生成视频，对于多模态输入，特别是图片与文本结合的场景，并没有进行深入探讨或广泛应用。这种偏向降低了生成视频的多样性和可控制性，限制了从静态图像到动态视频的转换能力。
另一方面，现有的大部分视频生成模型对生成视频内容缺乏可编辑性的支持，无法满足用户对生成视频进行个性化调整的需求。
提示：把熊猫变成熊，并且让它跳舞。（Change the panda to a bear and make it dance.）
本文，来自 SEEKING AI、哈佛大学、斯坦福大学以及北京大学的研究者们共同提出了一种创新的基于图片 - 文本的视频生成编辑统一框架，名为 WorldGPT。该框架建立在 SEEKING AI 与上述顶尖高校共同研发的 VisionGPT 框架之上，不仅能够实现由图片和文本直接生成视频的功能，还支持通过简单的文本提示（prompt）对生成视频进行风格迁移、背景替换等一系列视频外观编辑操作。
该框架的另一个显著优势在于其无需进行训练，这使得技术门槛大幅降低，同时也使得部署和使用变得非常方便。用户可以直接使用模型进行创作，而无需关注背后繁琐的训练过程。
- 论文地址：https://arxiv.org/pdf/2403.07944.pdf
- 论文标题：WorldGPT: A Sora-Inspired Video AI Agent as Rich World Models from Text and Image Inputs
接下来我们看看 WorldGPT 在多种复杂视频生成控制场景中的示例展示。
背景替换 + 生成视频
提示：「一支船队在呼啸的风暴中奋力前行，他们的船帆在无情风暴的巨浪中航行。（A fleet of ships pressed on through the howling tempest, their sails billowing as they navigated the towering waves of the relentless storm.）」
背景替换 + 风格化 + 生成视频
提示：「一条可爱的龙在城市的街道上喷火。（A cute dragon is spitting fire on an urban street.）」
对象替换 + 背景替换 + 生成视频
提示：「一个赛博朋克风格的机器人在霓虹灯照亮的反乌托邦城市景观中疾驰，高耸的全息图和数字衰变的反射投影到其光滑的金属机身上。（A cyberpunk-style automaton raced through the neon-lit, dystopian cityscape, reflections of towering holograms and digital decay playing across its sleek, metallic body.）」
从上面的示例可以看出，WorldGPT 在面对复杂视频生成指令时具有以下优点：
1）较好的保持了原输入图像的结构和环境；
2）生成符合图片 - 文本描述的生成视频，展现出了强大的视频生成定制能力；
3）可以通过 prompt 对生成视频进行定制化编辑。
了解更多有关 WorldGPT 的原理、实验和用例的信息，请查看原论文。
VisonGPT
前面已经提到，WorldGPT 框架建立在 VisionGPT 框架之上。接下来我们简单介绍一下有关 VisionGPT 的信息。
VisionGPT 是由 SeekingAI、斯坦福大学、哈佛大学及北京大学等世界顶尖机构联合研发，是一款开创性的开放世界视觉感知大模型框架。该框架通过智能整合和决策选择最先进的 SOTA 大模型，提供了强大的 AI 多模态图像处理功能。
VisionGPT 的创新之处主要体现在三个方面：
- 首先，它以大型语言模型（例如 LLaMA-2）为核心，将用户的 prompt 请求分解成详细的步骤需求，并自动化调用最合适的大模型进行处理；
- 其次，VisionGPT 自动接受并融合来自多个 SOTA 大模型产生的多模态输出，从而生成针对用户需求的图像处理结果；
- 最后，VisionGPT 具有极高的灵活性和多功能性，无需用户对模型进行微调，就能够支持包括文本驱动的图像理解、生成、编辑在内的广泛应用场景。
- 论文地址：https://arxiv.org/pdf/2403.09027.pdf
- 论文标题：VisionGPT: Vision-Language Understanding Agent Using Generalized Multimodal Framework
VisionGPT 用例
从上面可以看出，VisionGPT 无需 fine-tune，即可以轻松实现 1）开放世界的实例分割；2）基于 prompt 的图像生成和编辑功能等。VisionGPT 的工作流程如下图所示。
更多详细信息可以参考论文。
VisionGPT-3D
此外，研究者们还推出了 VisionGPT-3D，旨在解决从文本到视觉元素转换中的一大挑战：如何高效、准确地将 2D 图像转换成 3D 表示。在这个过程中，经常面临算法与实际需求不匹配的问题，从而影响最终结果的质量。VisionGPT-3D 通过整合多种最先进的 SOTA 视觉大模型，提出了一个多模态框架，优化了这一转换流程。其核心创新点在于自动选择最适合的视觉 SOTA 模型和 3D 点云创建算法，并且根据文本提示等多模态输入生成最符合用户需求的输出的能力。
- 论文地址：https://arxiv.org/pdf/2403.09530v1.pdf
- 论文标题： VisionGPT-3D: A Generalized Multimodal Agent for Enhanced 3D Vision Understanding
了解更多信息，请参考原论文。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。