CogVideo — это масштабная нейросеть от китайских разработчиков, которая переносит успех архитектуры трансформеров в сферу генерации видео. Модель эффективно решает проблему высокой вычислительной сложности и нехватки данных, создавая качественные ролики по текстовому описанию. Это важный прорыв в области Text-to-Video AI, открывающий новые возможности для контент-мейкеров.
Large-scale pretrained transformers have created milestones in text (GPT-3) and text-to-image (DALL-E and CogView) generation. Its application to video generation is still facing many challenges: The potential huge computation cost makes the training from scratch unaffordable; The scarcity and weak relevance of text-video datasets hinder the model understanding complex movement semantics. In this work, we present 9B-parameter transformer CogVideo, trained by inheriting a pretrained text-to-image model, CogView2. We also propose multi-frame-rate hierarchical training strategy to better align text and video clips. As (probably) the first open-source large-scale pretrained text-to-video model, CogVideo outperforms all publicly available models at a large margin in machine and human evaluations.