嘿大家好，今天我想跟大家聊聊一个特别有意思的事情。就是那个OpenAI公司搞出来的Sora啊， 出来之后大家都很慌，觉得视频生成完了以后可能就没有摄影师这行了。但是呢，我最近发现了一个国产的好东西，叫AtomoVideo。听起来是不是很像某种科幻片里的名字？其实它就是阿里妈妈搞出来的，专门用来把图片变视频的。 完善一下。 我试了一下感觉挺厉害的，虽然我也不是很懂技术，但是用起来很爽。而且啊，它好像已经在那个什么万相实验室上线了。我就想问问，这玩意儿到底怎么玩？真的能像我说的那么轻松吗？咱们今天就来唠唠嗑，聊聊这个事情。真的，我觉得这个东西要是学会了以后发朋友圈肯定有面子。不是吹的，真的。

一、 突如其来的Sora，然后我发现了AtomoVideo

事情是这样的，年初的时候，OpenAI那个Sora一出来全世界都炸锅了。大家都在说哇，这视频生成技术太牛逼了简直跟真的一样。我当时就在想，这玩意儿咱们国内有没有啊？我想把我的电脑桌面壁纸变成视频，或者把我家猫的照片变成猫在跑的视频，这不就是刚需吗？然后我就去网上找啊找。找着找着，我就看到了IT之家的一条消息，打脸。。

最后强调一点。 要是能把这些图片变活了那得多省钱啊。我想想都觉得美滋滋的。

说是阿里巴巴研究团队搞了个AtomoVideo。我当时一看，哎？这不是我要找的东西吗？虽然名字有点怪，叫“阿瞳木视频”，但是功能好像挺对路的。据说这个技术框架是阿里妈妈技术团队搞出来的，专门为了解决图片素材自动化转视频的问题。这就很关键了主要原因是咱们平时做电商，或者做自媒体，图片到处都是但是视频很难搞，等..….。

然后我就去深挖了一下。发现这事儿还不简单。据官方介绍，AtomoVideo的核心在于其多粒度图像注入技术。这个词听起来好高级啊，什么多粒度，什么注入。但我琢磨着，大概意思就是它能很聪明地看你的图片，不是只看一眼，而是看好多眼，看好多层。这一技术使得生成的视频对于给定的图像具有更高的保真度。这啥意思呢？

然后在上面加了一些东西。但是具体加了啥，我就不太懂了。反正我就知道，它能用。

就是说你给它一张照片，它生成的视频里这个人的脸、这个衣服的纹理，都不会乱变。这一点特别重要。主要原因是很多那种AI生成的视频，那个脸一会儿长一会儿短的，看着特别吓人。但是AtomoVideo好像不会这样，它比较老实比较稳。我觉得这一点是它最大的优点。我猜，它应该是用了什么预训练好的T2I模型，也就是那种文生图的模型。

1.1 为什么我要用这个？

其实我一开始是抗拒的。我觉得AI生成的东西肯定很假。但是后来我发现，现在大家都不信真的了就信AI生成的。真的。就拿北京商报那个记者来说吧，他也去采访了淘天集团。他们那边也说这个技术已经在广告投放平台等场景上线了。支持广告主在线生成视频动效。你想啊，那些广告主，以前拍个视频得找模特，找场地，还得花钱剪辑。

别犹豫... 把我的那张“风景照”变成“风景视频”。后来啊还真的成了。

1.2 阿里妈妈的野心

我觉得阿里妈妈这次是真的想干大事。他们不光是搞了个AtomoVideo，他们好像还搞了个叫“尺寸魔方”的东西。这个我还没用过但是听说是可以 图片和视频的尺寸的。可以实现图片和视频的任意编辑。这就更厉害了。如果你有一个视频，但是尺寸不对，横屏的放竖屏的手机上，那肯定得裁剪。但是有了这个，好像就能随便变，别犹豫...。

就是自动化转视频。这谁顶得住啊？

这简直就是为咱们这种懒人量身定做的。而且啊，阿里妈妈一直在专注于把视频生成技术和电商结合。这一点我特别赞同。主要原因是电商就是卖东西，卖东西就需要展示。以前只能放个静态图， 试试水。 现在能放个动态图，转化率肯定能提高。我记得那个观点网讯也提到了说这项新技术能够将图片素材自动化转。虽然那个句子没说完，但是意思我都懂。

二、 据官方介绍，AtomoVideo到底是个啥？

咱们再来仔细看看这个AtomoVideo到底是个什么构造。我刚才说它用了预训练好的T2I模型。比如它是怎么操作的呢？它是在每个空间卷积层和注意力层之后新添加了一维时空卷积和注意力模块。 至于吗？ 这听起来像是给模型穿了件紧身衣，让它动起来更灵活。而且，T2I模型参数是固定的，只训练添加的时空层。这意味着什么呢？

哇，这段话好专业。我看懂了几个词，大概就是VAE编码器吧。反正我知道，它能保证你丢进去的图和出来的视频差不多，绝了...。

意味着它的基础很稳，不会乱动。一边，团队还以Cross-Attention机制来指导视频生成。Cross-Attention，交叉注意力。这名字听起来就很高大上。 太刺激了。 简单就是让生成的视频能更好地理解输入的图像信息。由于输入的串联图像信息仅由VAE编码，代表的是低层次信息，有助于增强视频相对于输入图像的保真度。

还有一点特别有意思。IT之家那个说AtomoVideo的特性如下：高保真度。生成的视频与输入图像在细节与风格上保持高度一致性。这一点我刚才提到了但我还是要说。主要原因是现在的AI太喜欢瞎编了。你给它一张穿红衣服的照片，它可能给你生成一个穿绿衣服的视频。这谁受得了？但是AtomoVideo好像能避免这个问题，尊嘟假嘟？。

得花多少时间？但是用AtomoVideo，可能一键就能搞定。

不地道。 它还提到了运动一致性。生成的视频在运动轨迹上也比较自然。这一点也很重要。不能动得太快，也不能不动。得跟人的直觉一样。就像那个凤凰网的科技讯说的，它可以自动化地将电商平台上现有的图片素材转换为高质量的视频动效。这个“自动化”三个字，就是它的杀手锏。你想啊，你有几千张产品图，你一张一张找视频剪辑师做？那得花多少钱？

2.1 多粒度图像注入技术

我们再回到这个多粒度图像注入技术。我觉得这个词翻译得有点生硬。我猜它的意思可能是它能把图片里的每一个细节都找出来。不仅仅是看个大概轮廓，而是看像素级的细节。比如图片里有一只蝴蝶，它不仅能看到蝴蝶，还能看到蝴蝶翅膀上的花纹。然后它把这些花纹应用到视频里去。这样就做到了高保真。我觉得这个技术特别适合用在那种细节很多的图片上。比如那种珠宝首饰的特写，或者那种复杂的背景图。如果你只是把这种图扔给普通的AI，它可能会把背景给模糊掉。但是AtomoVideo好像能保留住背景的细节。这一点对于做广告的人简直是救命稻草。你想啊，珠宝是卖点，背景也是卖点。如果背景没了那还卖什么啊，多损啊！？

2.2 时空卷积和注意力模块

我好了。 那个什么时空卷积，听起来就像是把时间和空间揉在了一起。我理解的可能不太对，但是我觉得它应该是让视频在时间轴上也能保持一致。比如图片里有个杯子，它左边有一个影子。那么在视频里这个影子的位置也应该跟着杯子的移动而移动。这就叫时空一致性。如果这个做不好，视频看起来就会很鬼畜。比如杯子动了影子不动，或者影子动了杯子不动。这就很尴尬了。而那个注意力模块，我觉得就像是摄像头的自动对焦。它能自动找到画面里最重要的东西，然后重点关注。比如你给它的图里有一只狗，它会重点去生成狗的动画，而不会去管背景里的杂草。这样效率就高了质量也高了。我觉得这个设计思路很聪明。

三、 我怎么用AtomoVideo把图片变视频？

说了这么多理论，我想大家最关心的还是我到底怎么用？我作为一个普通用户，没有代码基础，能不能用这个AtomoVideo？ 等..…. 。我觉得AtomoVideo也可能会在那里露个脸。到时候我就可以去试试了。

躺赢。 虽然我还没试过但是我可以脑补一下那个过程。肯定是要先上传一张图片的。然后呢？可能需要输入一些提示词？比如“让这只猫跑起来”，或者“让这朵花绽放”。然后点一下“生成”按钮。然后等待。等待的时间可能有点长，就像煎牛排一样。煎牛排要等，生成视频也要等。等它好了你就可以下载了。下载下来之后你可能会发现，视频有点短，或者有点抖。这时候你就需要用到前面说的那个“尺寸魔方”了把它裁剪一下或者加个滤镜。我觉得这个流程应该差不多。我也希望流程能这么简单。毕竟我们都不是专业的技术人员，搞得太复杂了我们学不会的。

3.1 我的那次“想象中”的操作

前两天 我正好有一张照片，是我去海边玩的。拍了一只海鸥停在栏杆上。我当时就想，要是这海鸥能飞起来就好了。我就打开了我的“AtomoVideo”。我上传了那张照片，然后打字说：“让海鸥飞起来”。然后点确定。大概等了五分钟吧，屏幕上就出现了一个视频。那个海鸥真的飞起来了！而且背景里的海浪还在动。做到那么完美，但是我觉得值得一试。

我当时就惊呆了。这简直就是魔法啊！我觉得这个技术如果普及了以后我们拍照就不需要特意去拍视频了。拍一张静态的照片，回去用AtomoVideo一弄，就能变成视频。这多省钱啊，多省事啊！而且还能把那些拍坏了的照片挽救回来。比如你拍的时候手抖了照片是糊的。但是用AtomoVideo处理一下说不定就能变清晰。

3.2 商业场景里的“魔法”

话说回来.…. 我想象中的商业场景是这样的。有个卖衣服的商家，他有很多漂亮的衣服模特图。以前他只能把这些图放在详情页里。但是现在的消费者都不耐烦了他们想看动态的。于是他就用AtomoVideo把这些图变成了视频。视频里模特的衣服会随风飘动，头发也会动。甚至模特的眼神也会动。这种体验感，绝对比静态图强一百倍。而且，他还可以用这个技术来测试不同的场景。

即便是... 比如这件衣服在沙滩上穿好看，还是在雪地上穿好看？他只需要换一下背景图，然后生成视频就行了。不用真的去沙滩或者雪地上拍。这成本多低啊！这就相当于他有了一个无限大的摄影棚。我觉得这对于中小商家是一个巨大的机会。他们可以用很低的价格，做出跟大品牌一样的高质量视频。

四、 这么牛的技术，会不会有缺点？

当然会有缺点啊。任何技术都不是完美的。我觉得AtomoVideo最大的缺点可能就是它目前可能主要还是服务于电商领域的。也就是它的训练数据可能都是跟电商有关的。那么如果你给它一张很抽象的画，或者一张很艺术的照片，它可能就不知道该怎么处理了。它可能还是会按照电商的逻辑去生成， 很棒。 导致后来啊很奇怪。就像你给AI讲个笑话，它如果不懂那个语境，它可能就笑不出来。还有一点，就是速度。生成一个视频肯定比生成一张图片要慢。如果需要实时生成，那可能还得再优化一下。不过我觉得这些都不是大问题。技术是在不断发展的，只要方向对了慢慢来就行。

4.1 速度与质量的平衡

我听说 现在的很多图生视频模型，为了追求速度，都会牺牲一点质量。或者为了追求质量，速度又很慢。AtomoVideo好像是在这两者之间找到了一个平衡点。它既保证了高保真，速度也不算太慢。这一点很不容易。主要原因是要一边做好这两点，需要非常厉害的算法优化。我觉得阿里妈妈的团队在这方面确实下了功夫。他们可能参考了很多Sora的优点，然后结合了自己的实际情况，搞出了这么一个东西。我不懂代码，但是我知道，代码这东西，写得好不好，差别太大了。有的代码写得像诗一样美，有的代码写得像乱码一样。AtomoVideo肯定属于前者。主要原因是它好用，所以我就觉得它好。

4.2 未来的可能性

图啥呢？ 我觉得AtomoVideo的未来可能性太大了。它不仅仅可以用于电商。它还可以用于短视频制作。现在抖音、快手那么火，大家都在拍短视频。但是拍短视频太累了还要剪辑。如果有了AtomoVideo，是不是可以批量生成一些短视频素材呢？比如你拍了一个产品，然后用AtomoVideo生成100个不同角度、不同背景的视频。然后挑出最好的那个用。这样效率肯定能提高很多。甚至，它还可以用于电影特效。以前做特效，需要建模、渲染，非常耗时。现在是不是可以直接用照片生成特效镜头呢？我觉得是有可能的。只要这个技术再成熟一点，再普及一点。

五、 一下这玩意儿到底值不值得用？

总的我觉得AtomoVideo是一个非常有前途的技术。它解决了我们很多痛点。比如我们有很多好图片，但是没有视频。它能把这些图片变成视频。比如我们做电商，需要很多视频素材，但是预算有限。它能帮我们省钱。比如我们想玩点新花样，但又不想花太多时间。 你想... 它能帮我们省时间。虽然我现在还用不上，但是我已经开始期待了。我真的很想知道，它到底能把我的照片变成什么样。我想把它用在旅游照片上，把它用在宠物照片上，把它用在风景照片上。我想看看，这个“多粒度图像注入技术”到底有多神。

我也希望阿里妈妈能把这个技术做得更开放一点。不要只局限于万相实验室。能不能给我们这些普通用户提供一个入口？哪怕是一个付费服务也行啊。只要能用，我就愿意花钱。毕竟谁不想让自己的照片动起来呢？谁不想让自己的视频更好看呢？ 话说回来.…. 我觉得科技的目的就是为了让我们生活得更美好。AtomoVideo就是这样一个好东西。它简单、高效、好用。它符合我们的需求。它不花哨，但是很实用。我觉得这就是好技术的标准。

真香！ 再说说 我想说的是Sora虽然厉害，但是咱们国内的AtomoVideo也不差。甚至我觉得，AtomoVideo更适合咱们中国人用。主要原因是它的技术更接地气，更懂电商，更懂商业。它不是为了炫技而生，而是为了解决问题而生。这种务实的精神，才是我最欣赏的。所以如果你也有一堆静态图片，不知道怎么处理，不妨期待一下AtomoVideo的普及。或者，你有什么更好的方法，也欢迎多学点东西总是没错的。对吧？好了今天的唠嗑就到这里了。希望我的分享能帮到你。谢谢大家。