摘要
论文介绍了一个名为“Vlogger”的通用人工智能系统，它能够根据用户的描述生成分钟级的视频博客（vlog）。与通常只有几秒钟的短视频不同，vlog通常包含复杂的故事情节和多样化的场景，这对现有的视频生成方法来说是一个挑战。为了突破这一瓶颈，Vlogger系统巧妙地利用了大型语言模型（LLM）作为导演，将长篇视频生成任务分解为四个关键阶段，每个阶段都调用不同的基础模型来扮演vlog专业人员的关键角色，包括：
- 剧本（Script）：使用LLM根据用户故事创建剧本，描述多个拍摄场景及其相应的拍摄时长。
- 演员（Actor）：根据剧本总结角色，并使用角色设计师生成这些角色的参考图像。
- 秀场制作者（ShowMaker）：作为摄像师，根据剧本文本和角色图像生成每个拍摄场景的视频片段，并有效增强片段的空间-时间连贯性。
- 旁白（Voicer）：最后，LLM导演调用配音员为vlog配音，将剧本字幕转化为音频。
Vlogger系统的核心是ShowMaker，这是一个视频扩散模型，通过结合剧本和演员的注意力作为文本和视觉提示，可以生成具有控制时长的视频片段。此外，Vlogger设计了一个简洁的混合训练范式，通过文本到视频（T2V）生成和预测的混合训练来提升ShowMaker在这两种任务上的能力。
通过广泛的实验，该方法在零样本T2V生成和预测任务上达到了最先进的性能。更重要的是，Vlogger能够从开放世界的描述中生成超过5分钟的vlog，且在剧本和角色的视频连贯性上没有损失。
方法
框架
top-down planning自顶向下的规划
剧本创建（Script Creating）：
初始阶段，大型语言模型（LLM）作为导演，将用户的故事转换成一个基本的剧本草稿。然后，通过粗到细的指令，LLM逐步细化剧本，包括添加故事细节、完善剧本结构、检查是否有遗漏的重要部分，以及为每个场景分配拍摄时长。
角色设计（Actor Designing）：
创建剧本后，LLM再次阅读剧本以总结角色列表，并调用角色设计师生成这些角色的参考图像。
角色设计师使用Stable Diffusion XL等工具根据角色描述生成高质量的角色图像。
主角选择（Protagonist Selection）：
根据剧本和角色列表，LLM决定每个拍摄场景的主角（即主演）。
场景规划（Scene Scheduling）：
LLM为剧本中的每个场景分配拍摄时长，确保视频的总时长符合预期。
Bottom-Up Shooting自底向上的拍摄
ShowMaker 拍摄
使用新提出的ShowMaker作为摄像师（视频扩散模型），可以根据每个拍摄场景的剧本描述和角色图像生成视频片段。如果生成的视频片段时长小于剧本中分配的时长，ShowMaker继续利用当前片段的最后几帧作为上下文，生成下一个片段，直到生成的视频片段总时长达到剧本分配的时长。最后将所有生成的片段组合成场景的视频片段。
Voicer 配音
使用Text-To-Speech（TTS）模型作为Voicer，将剧本描述转换成相应的音频。最后将生成的音频添加到对应的视频片段上，形成有声视频片段。
showmaker摄影师
ShowMaker 是一个视频扩散模型。1、将带噪的训练片段送入自编码器的编码器提取其潜在代码。2、去噪阶段：将潜在代码从带噪的潜在代码中重建出来。使用文本与actor控制生产内容，选择器选择模式。
空间-时间增强块（Spatial-Temporal Enhanced Block, STEB）
- 空间操作：包括卷积（CV）、自我注意力（SA）和空间交叉注意力（CA），用于独立编码片段中的每一帧。
- 空间图像交叉注意力：使用主角的参考图像作为视觉上下文，增强空间嵌入。
- 时间操作：执行自我注意力沿着时间维度，学习片段中帧之间的相关性。
- 时间文本交叉注意力：使用场景描述作为文本上下文，增强时间编码。
混合训练范式与模式选择（Mixed Training Paradigm with Mode Selection）
ShowMaker 旨在生成具有剧本分配时长的视频片段，它通过生成和预测模式的结合来实现这一点。
- 模式选择机制：设计一种概率性的选择方式，选择干净片段的k帧作为带噪片段的上下文，从而选择是使用生成模式还是预测模式。
- 如果生成的视频片段时长小于剧本中分配的时长，ShowMaker 将继续执行预测模式，使用当前片段的最后k帧作为上下文，生成下一个片段。
训练过程：通过在训练过程中结合生成（k=0）和预测（k>0）模式，ShowMaker 学会了如何生成和预测视频片段。
