Snap、特伦托大学、加州大学和布鲁诺凯斯勒基金会的研究人员，联合推出了高效、连贯一致性文生视频模型——Snap Video。
Snap Video与OpenAI最新推出的Sora一样采用Transformer架构，结合了时空压缩表示、全局联合时空建模以及自适应建模等功能，在生成的视频质量、视频动作一致性、复杂动作表现等方面非常棒。
除了文本生成视频之外，Snap Video还能根据文本提示对原始视频素材进行剪辑和合成，生成特殊需求的定制化视频，这对于短视频、影视行业帮助巨大。
为了评估Snap Video性能，研究人员在UCF101和MSR-VTT数据集上进行了综合测试。结果显示，在文本对齐、运动质量和动态效果可媲美Gen-2，明显优于Pika和Floor33。
论文地址：https://arxiv.org/abs/2402.14797
