嘿嘿……？when……
上下文要爆炸的
2 个赞
啊？为什么需要video2video？本质上用image2video就够了啊？
2 个赞
video is more than simply images
还有音频
2 个赞
最早爆火的ai就是换脸…
2 个赞
deepfake啊……
不过应该是定制剧情偏多？
比如呢？有什么是一定要用video而不能用image实现的吗？
1 个赞
video音频信息应该挺重要吧，毕竟是个序列。
非要说一定不一定那我还真说不出来，但是想来效果应该有很大提升。
1 个赞
现在有看到的是video的audio 2 audio然后合并入video（部分还会做换嘴型）
音频不是一般都是后期加的吗……而且感觉AI音频这一块也挺成熟了啊
1 个赞
veo3 & sora2 是音视频一起出来……
1 个赞
训练集之外？
没懂……所以你的需求是？
1 个赞
视频现实风格化？……（还有音频部分也要
就像吧游戏录制的视频转换为现实主义风格（还有音效什么的也要……
原视频直接加特效
你说的后期是人工念稿加上去吗？
我觉得这个话题可以参考一下Google的Veo3，这个在宣传时着重强调了原生音频生成。
对于普通念稿视频来说后期对轴加上去或许是可以接受的，但是如果是比较复杂的音效，可能直接由模型输出有着更好的效果。
具体效果我不清楚，我没有使用过Veo这种视频模型。
不过video2video我看着感觉是很有前景，只是这一听就是很烧算力的活，只能由Google这种大公司搞。可能这也是为什么现在还没有革命性的模型推出，创新成本太高了。
1 个赞
啊？那这样很简单啊，如果只是转风格，直接把原视频拆帧之后逐帧转就可以了，我自己都写过一个小工具。
1 个赞
拆帧什么的抽卡太难受了
那就不知道了，但是我看到的大部分都是生成视频和生成音频是分开做的，后期再合成到一起
2 个赞
不会啊，有很多保证统一性的办法，最简单的，你用kontext就可以，风格很统一
2 个赞
还是太穷了导致的
算力为王啊!
这就回到这个帖子提出的问题了，因为目前没有革命性的video2video模型，所以大伙都在分开做。
我觉得是因为训练难度高、训练成本高导致迭代困难，进而导致现在还没有这样的模型出现。
不过我认为大部分情况分开做就已经够用了，只是如果真能有这样的模型可能效果比分开做好一些，成本要另说。 