AI新突破！「CausVid」混合模型秒速生成流暢高畫質影片

您是否好奇AI生成影片的幕後過程？傳統的逐幀渲染方式（如OpenAI的SORA和Google的VEO 2採用的「擴散模型」）雖然能產出逼真影像，卻存在處理速度緩慢、無法即時修改的缺點。

MIT電腦科學與人工智慧實驗室（CSAIL）與Adobe Research的科學家聯手開發出革命性的「CausVid」混合模型。這項技術就像聰明的學生向資深教師學習，讓擴散模型訓練自回歸系統快速預測下一幀畫面，同時確保品質與連貫性。使用者只需簡單文字指令，就能將靜態照片轉為動態場景、延伸影片長度，甚至在中途修改創作內容。

這個動態工具將原本需要50個步驟的流程簡化為幾個動作，能快速生成各種創意場景：從紙飛機變天鵝、長毛象雪中漫步，到孩童踩水坑的活潑畫面。更特別的是，使用者可以先輸入「生成過馬路的男子」這樣的初始指令，再追加「他走到對麵人行道時開始寫筆記」等後續要求，實現真正的互動式創作。

研究團隊指出，CausVid可應用於多種影片編輯任務，例如配合語音翻譯即時生成同步畫面幫助理解直播內容，或是快速製作遊戲新場景與機器人訓練模擬。電機工程與電腦科學博士田偉寅（Tianwei Yin）解釋：「CausVid結合預訓練擴散模型與文字生成模型常見的自回歸架構，讓AI教師模型能預見未來步驟，指導逐幀系統避免渲染錯誤。」

相較於傳統自回歸模型容易出現的「錯誤累積」問題（如人物跑步時腿部動作逐漸失真），CausVid透過高效能擴散模型傳授影片生成技巧，使簡單系統也能產出流暢畫面，且速度大幅提升。在生成10秒高解析度影片的測試中，CausVid表現超越OpenSORA等基準模型，速度最快可達競爭對手的100倍。

更驚人的是，在30秒長片測試中，CausVid的品質與一致性仍優於同類模型，顯示其未來可能產出長達數小時甚至無限時長的穩定影片。後續研究更發現，使用者普遍偏好CausVid學生模型生成的影片，雖然視覺多樣性稍遜於教師模型，但速度優勢顯著。

在超過900組文字轉影片的資料集測試中，CausVid以84.27的總分奪冠，在影像品質與人物動作真實性等指標均領先Vchitect、Gen-3等頂尖模型。卡內基梅隆大學助理教授朱儁彥（未參與本研究）評論：「這項突破讓影片生成效率大幅提升，意味著更好的串流速度、更多互動應用，以及更低的碳足跡。」

研究團隊表示，未來透過特定領域資料集的訓練，CausVid有望為機器人與遊戲產業產出更高品質的影片內容，甚至實現即時生成的終極目標。

[end]