Pika放大招：今天起，视频和音效可以“一锅出”了！
Sound Effects，即将全面开放
金磊 发自 凹非寺
量子位 | 公众号 QbitAI
就在刚刚，Pika发布了一项新功能：
很抱歉我们之前一直处于静音状态。
今天起，大家可以给视频无缝生成音效了——Sound Effects！
生成的方式有两种：
- 要么给一句Prompt，描述你想要的声音；
- 要么直接让Pika根据视频内容自动生成。
并且Pika非常自信地说到：“如果你觉得音效听起来很棒，那是因为它确实如此”。
话不多说，我们直接来听一下。
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
车鸣声、广播声、鹰叫声、刀剑声、欢呼声……可谓是声声不息，并且从效果上来看，也是高度与视频画面匹配。
不仅是发布的宣传片，Pika官网现在也放出了多个demo。
例如无需任何prompt，AI只是看了眼烤培根的视频，便可以配出毫无违和感的音效：
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
再如给一句prompt：
Super saturated color, fireworks over a field at sunset.
超饱和色彩，日落时田野上的烟火。
Pika便可以在生成视频的同时配上声音，从效果中不难看出，烟花绽放的瞬间，声音卡点也是相当的精准：
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
大周末的发布这样一个新功能，网友们在高呼Pika“够卷、够Awesome”的同时，也有人认为：
它正在为多模态AI创作收集所有的“无限宝石”。
那么Pika的Sound Effects具体要如何操作，我们继续往下看。
给视频“make some noise”
Pika给视频生成音效的操作也是极！其！简！单！
例如只需一句prompt，视频和音效就能“一锅出”：
Mdieval trumpet player.
中世纪小号手。
相比于此前生成视频的操作，现在只需开启下方“Sound effects”按钮即可。
让我们听一下生成效果：
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
第二种操作方式，就是在生成了视频过后，可以单独给它配音。
例如在下面这个视频，点击下方的“Edit”，再选择“Sound Effects”：
然后可以描述一下自己想要的声音，例如：
Race car revving its engine.
赛车正在发动引擎。
然后短短几秒后，Pika就可以根据描述和视频生成音效，而且还是6种声音可选的那种！
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
值得一提的是，Sound Effects功能目前只对超级合作者（Super Collaborator）和Pro用户开放测试。
不过Pika也表示：“我们很快就会向所有用户推出该功能！”
然后现在已经有一批网友在开始测试这个Beta版本了，并且表示：
音效听起来和视频很相配，而且增加了很多气氛。
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
再如“壁炉里火焰的声音”，是这样的：
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
这位网友还用了额外的工具，在Pika生成效果的基础上，还让视频里的人物开口说话：
【效果见：https://mp.weixin.qq.com/s/E0FF4ZAViTrWdq7R2bQTCg】
想要尝鲜Pika新功能的小伙伴，可以蹲一波Sound Effects的全面开放了。
什么原理？
至于Sound Effects背后的原理，虽然Pika此次并没有公开，但在此前Sora大火之后，语音初创公司ElevenLabs就出过类似的配音功能。
当时，英伟达高级科学家Jim Fan就对此做过较为深入的分析。
他认为，AI学习准确的视频到音频映射还需要对潜在空间中的一些“隐式”物理进行建模。
他详细说明了端到端Transformer在模拟声波时需要解决的问题：
- 识别每个物体的类别、材料和空间位置。
- 识别物体间的高阶互动：例如，是木棍、金属或是鼓面？以什么速度击打？
- 识别环境：是餐厅、空间站、还是黄石公园？
- 从模型的内部记忆中检索物体和环境的典型声音模式。
- 使用“软性”的、通过学习得到的物理规则来组合和调整声音模式的参数，甚至即时创造全新的声音。这有点像游戏引擎中的“程序化音频”。
- 如果场景很复杂，模型需要根据物体的空间位置叠加多个声音轨道。
所有这些都不是显式的模块，而是通过大量的（视频，音频）对的梯度下降学习来实现的，这些视频和音频对在大多数互联网视频中自然地时间对齐。注意力层将在它们的权重中实现这些算法，以满足扩散目标。
除此之外，Jim Fan当时表示英伟达的相关工作并没有这样高质量的AI音频引擎，不过他推荐了一篇MIT五年前的论文The Sound of Pixels：
感兴趣的小伙伴可以戳文末链接详细了解一下。
One More Thing
在多模态这件事上，LeCun在最新访谈中的观点也很火爆，他认为：
语言（文本）是低宽带的：小于12字节/秒。现代LLM通常使用1×10^13个双字节标记（即 2×10^13 字节）进行训练。一个人阅读大约需要 100000 年（每天 12 小时）。
视觉的带宽要高得多：约20MB/s。两条视神经中的每一条都有 100 万根神经纤维，每根神经纤维每秒携带约10个字节。一个4岁的孩子在清醒状态下大约是16000小时，换算成字节大约是1×10^15。
视觉感知的数据带宽大约是文本语言数据带宽的1600万倍。
一个4岁孩子看到的数据，是互联网上公开的所有文本训练的最大LLM数据的50倍。
因此，LeCun总结到：
如果不让机器从高带宽的感官输入（如视觉）中学习，我们绝对不可能达到人类水平的人工智能。
那么，你赞成这种观点吗？
参考链接：
[1]https://twitter.com/pika_labs/status/1766554610188095642
[2]https://www.youtube.com/watch?v=WirmtLi47q4
[3]https://pika.art/home
[4]https://www.youtube.com/watch?v=5t1vTLU7s40
[5]https://twitter.com/DrJimFan/status/1759287778268025177
[6]http://sound-of-pixels.csail.mit.edu/
- AI版《黑客帝国》：无限生成逼真视频，3A画质，还能实时交互2024-11-21
- 国产4o大模型，秒懂国风李子柒2024-11-20
- 大模型上了火山方舟：数据唯你可见，唯你所用，唯你所有2024-11-14
- Keras之父，离职谷歌2024-11-14
相关阅读
