智譜宣布全新迭代的AI視頻模型“新清影”，正式上線。

　　10s、4k、60幀，還能自帶生成挺匹配的AI音效。

　　視頻模型已經上線智譜清言上，人人可用。音效模型這個月也即將上線。

　　這個點，其實還好，就是線上模型迭代升級了一版而已。

　　但是最牛逼的是，他們直接宣布，把這個“新清影”背后的底層模型，也就是CogVideoX v1.5，直接開源了。。。

　　我覺得他們瘋了，真的。

　　上上周發類似GPT4o那種端到端的語音對話模型也是，直接發布即開源。

　　真的，智譜給我整不會了。

　　周二才夸過騰訊混元，開源了他們參數最大的MoE模型混元Large和AI3D模型Hunyuan3D-1.0。

　　現在智譜直接接力，直接開源了他們內部效果最好的AI視頻模型。

　　還是那句話，對于每一個愿意開源，讓社會、讓開源社區，百尺竿頭更進一步的公司。我都永遠報以最崇高的敬意，和最大的善意。

　　CogVideoX v1.5我也第一時間去測試了一下。

　　普通用戶也可以去智譜清影上玩。

　　我放一些我自己跑的case吧。

　　非常坦率的講，智譜的新清影，跟上一代比，已經進步巨大了。

　　不管是審美、還是動作幅度、還是物理規律、還是穩定程度。

　　真的，上一代的人物變形變得我到現在都還記憶猶新。

　　但是如果你要把他跟業界最好的比，比如你跟豆包PixelDance比分鏡比運鏡，那肯定還是差了一定距離的。

　　畢竟這一版的新清影，在版本號上，還是一個折中的階段，也就是CogVideoX v1.5，而且他們進步速度還是飛快的。

　　當時8月也是第一個把生視頻全面公開讓c端來玩的，說實話也勇氣可嘉。

　　而且我問了一下內部人，參數量更大更新更強的模型正在訓練，如果等過兩個月CogVideoX v2.0階段，可能又會來一波進化的飛躍。

　　當然，不管怎么樣，智譜敢把新清影發布即開源，就憑這點，我贊智譜一聲勇士。

　　上一次他們開源CogVideoX，直接給開源社區貢獻了一波大力。

　　一群老外直接玩的飛起。

　　比如微調一個自己的視頻模型。

　　比如微調一個室內設計的專屬視頻模型。

　　等等等等。

　　AI繪圖的開源生態已經被玩出花了，但是AI視頻的生態，確實還是非常的貧瘠，不管是配套插件，還是微調方式，還是模型數量等等，都還遠遠處于起步階段。

　　希望這一波新清影CogVideoX v1.5的開源，能讓AI視頻的開源社區和生態，繼續沸騰一次。

　　除了CogVideoX v1.5的開源之外，還有另一個東西我覺得非常值得說，雖然它還沒有上線，但是在這次的demo里一窺了真容。

　　就是智譜的AI音效模型。

　　智譜可能是我知道的，唯一一個，什么模態都做的，關鍵，每個模特居然做的都還不錯。

　　我真的，尊稱一聲模型法王。

　　給你們數一下。

　　文本生成 -GLM

　　圖像生成 -CogView

　　視頻生成 - CogVideoX

　　音效生成 - CogSound

　　音樂生成 - CogMusic

　　端對端語音 - GLM-4-Voice

　　自主代理 - AutoGLM

　　圖像理解 - CogVLM

　　...

　　這些，還不包括代碼生成、圖片理解、視頻理解等等。。。

　　我只能說一句佩服。

　　說回智譜的這個AI音效模型。

　　通俗的理解，就是給一段視頻，配上音效。

　　我先放兩個case，這兩case都是清影生的視頻，然后用他們的AI音效模型CogSound配音。

　　這小音效還是挺適配的。也可以傳一段現有的視頻素材進去。

　　比如這是我很喜歡的一部電影《妖貓傳》里的經典鏡頭，而這次，整段音效，都是我把視頻片段扔給智譜后，他們配的。

　　感覺非常好，甚至最后的煙花爆炸的聲音，都跟煙花爆炸的那一刻，精準的對上了。

　　我之前在11Labs的AI音效評測中也說過，音效設計，一直是一個非常重要、難度極高但又容易被大家忽視的領域。

　　一部片子或者游戲能讓你沉浸進去，你可能更多的會夸他的劇情、畫面、配樂，但是很少有人會去夸他的音效，比如夸你這個關門聲關的真真實等等。

　　但是音效，是沉浸感中絕對重要的一環，而做一個優秀的音效，有時候難度更是超高，比如《哥斯拉》里面經典的吼聲。

　　制作團隊用了很多種方法去做哥斯拉的吼，比如用干冰升華時在金屬通風管道中造成的震動和尖叫制作出了哥斯拉金屬質感的長嘯，比如他們在拋光過的地板上用大木箱拖動，拖出了那一陣陣令人毛骨悚然的胸腔共鳴。

　　這才有了這史上最著名的怪獸的驚鴻一瞥。

　　現在，你可以用智譜的AI音效，生成一段哥斯拉的吼聲。

　　質感上肯定跟原版那種極致的特斯拉還差了一些，但是也是極好的開頭。

　　音效，真的很重要。而AI音效的產品，其實從今年3月，就出來了不少的。但是都有一個問題。

　　就是他們的AI音效設計，是直接用文字生成音頻的。

　　比如PIKA很早的時候就做了生成的AI視頻自帶音效。

　　但是跟畫面的匹配度，其實極低。因為是純粹的文字生成音效后，再直接把這個音效音軌給你拼到視頻里，至于合不合拍，那就純靠人品，比隨機還隨機。

　　但是智譜這次的做法，非常的有趣。

　　他們是先把視頻過一遍他們自己的視頻理解模型，然后得到畫面關鍵信息，再用畫面關鍵信息和prompt，去生成音效模型。

　　這樣的做法，音效和畫面的匹配度，就實在是高太多太多了。

　　為啥別人家不這么做呢?廢話，因為別人家沒有視頻理解模型啊...

　　智譜的全模態模型的生態，雖然之前都是一個一個小點，但是我有一種感覺，就是未來的某一天，這些小點會逐漸連成線，結成網，最后形成一道堅不可摧的巨大的面。

　　這可能，就是生態的優勢吧。

　　窮則獨善其身，達則兼濟天下。

　　我愛每一個愿意開源的公司。

　　當OpenAI變成CloseAI。

　　智譜接過了那個Open的大旗。

　　然后高喊出那一句。

　　China，No.1!