国内首个可调用API的视频模型，CogVideoX有多能打?

近期，智谱AI在其Maas开放平台(bigmodel.cn)发布了视频生成大模型CogVideoX，它提供了国内首个通过API来使用的文生视频和图生视频服务！

话不多说，我们直接来看一下通过CogVideoX生成的一部短片。

技术原理

CogVideoX融合了文本、时间、空间三维度，参考Sora算法设计，为DiT架构，相比前代CogVideo推理速度提升6倍，理论上6秒视频生成仅需30秒。

深入CogVideoX的原理，得从智谱多模态技术布局讲起。2021年，智谱在NeurIPS’21上发表了文生图大模型CogView，奠定多模态系列基础。2022年，智谱在CogView基础上提出并开源文生视频模型CogVideo，被多家巨头引用。

CogVideo基于CogView2，采用Diffusion Transformer模型架构（DiT），它通过引入噪声并训练神经网络来逆转噪声增加的过程，结合Transformer模型，实现图像或视频的生成与变换。这个过程涉及数据预处理、噪声引入、模型训练以及最终的图像或视频生成。