Stability AI vừa công bố Stable Video Diffusion 2.0 (SVD 2.0), phiên bản nâng cấp đáng kể của mô hình tạo video từ văn bản. Điểm cải tiến quan trọng nhất là khả năng tạo video với độ dài lên tới 60 giây và độ phân giải 1080p, so với 4 giây và 512x512 pixel của phiên bản trước. Đây là một bước tiến lớn, cho phép tạo ra các video có chất lượng đủ để sử dụng trong các dự án thương mại.
SVD 2.0 sử dụng kiến trúc video diffusion transformer, kết hợp với kỹ thuật temporal consistency để đảm bảo các khung hình liên tiếp có sự nhất quán về mặt logic và thị giác. Mô hình được huấn luyện trên hàng triệu video với chú thích chi tiết, giúp nó hiểu được các chuyển động phức tạp như con người đang đi bộ, xe cộ đang chạy hoặc sóng biển đang vỗ.
Một tính năng nổi bật khác là khả năng kiểm soát chuyển động (motion control). Người dùng có thể chỉ định các yếu tố cụ thể trong video, như "chỉ có nhân vật chính di chuyển, nền tĩnh" hoặc "camera pan từ trái sang phải", và mô hình sẽ tuân thủ các chỉ định đó. Tính năng này giúp các nhà sáng tạo nội dung có nhiều quyền kiểm soát hơn trong quy trình sản xuất video.
SVD 2.0 được phát hành dưới giấy phép Creative Commons 4.0, cho phép sử dụng miễn phí cho cả mục đích cá nhân và thương mại. Nhiều nhà làm phim độc lập, nhà sáng tạo nội dung YouTube và công ty marketing đã bắt đầu sử dụng SVD 2.0 để tạo các video quảng cáo, trailer và nội dung giáo dục. Chi phí sản xuất video dự kiến sẽ giảm đáng kể, mở ra cơ hội cho các startup và cá nhân có ngân sách hạn chế.