CogVideo

CogVideo 是一个文本到视频的生成模型，页面上称它是目前最大的通用领域文本到视频生成预训练模型，参数量 94 亿。它的做法是把已经训练好的文本到图像模型 CogView2 迁移到视频生成上，再配合多帧率分层训练策略，让模型学会从一句描述生成连续画面。

能生成什么

页面上的演示把提示词拆成几段：主体（一个男孩、一个女孩、一个女人等）、场景（草坪、海边、沙滩、客厅、天空）和动作（跑步、散步、跳舞、打太极、拳击、唱歌）。组合之后生成一段视频，参数固定为分辨率 480×480、时长 4 秒、帧率 8fps。也就是说，它输出的是低分辨率、短时长、帧率不高的片段，适合看效果、做实验，不是拿来直接剪片子的素材。

适合谁

对文本生成视频感兴趣的研究者、想了解早期文生视频模型能力边界的人，以及需要在自己的项目里试跑这类模型的开发者。普通用户如果只是想给文案配一段视频，这个演示页的规格和交互方式都不太够用。

使用前要知道

这是挂在 AMiner 模型站上的演示页面，不是完整的视频创作工具，页面上没有说明费用、账号和下载方式。演示的提示词是预设选项拼出来的，自由输入的空间有限。4 秒、8fps 的成片在流畅度和清晰度上都有明显限制，别按商用视频的标准去期待。