技术博客

字节跳动公司近期在AI视频生成领域取得重大突破，提出了一种名为Phantom的新方法。该方法通过跨模态对齐技术，基于文本、图像和视频三元组学习，实现了主体一致的高质量视频生成。Phantom重新设计了联合文本-图像注入机制，并引入动态特征集成技术，在单/多主体视频生成及人脸ID保持任务中表现出色，其性能在定量评估中超越了现有商业级解决方案。

近日，字节跳动公司在AI视频生成领域取得重大进展，提出了一种名为Phantom的新型一致性视频生成方法。该方法通过跨模态对齐技术，重新设计了联合文本-图像注入模型，利用文本、图像和视频三元组数据实现精准对齐，从而生成主题一致的高质量视频内容。这一突破性技术为视频生成领域带来了广泛的应用前景，有望推动内容创作进入全新阶段。

阿里达摩院最新推出的多模态大语言模型mPLUG-Owl，基于先进的mPLUG模块化架构设计，不仅具备卓越的语言理解和推理能力，还能高效处理图像与视频等视觉信息，实现了文本与视觉信息之间的精准对齐，推动了跨模态感知技术的发展。