如果你还没有和ChatGPT（Chat Generative Pre-trained Transformer）对话，都不好意思聊人工智能（AI）。

目前各类图像AIGC（人工智能生成内容）模型发展迅速，如文字生图片、文字生视频、3D模型生成、动画场景生成、视频风格迁移等等。

图片生成

当前文字生图片AI模型发展较快，其中较为常见的大模型包括OpenAI的DALL-E 2和谷歌的IMAGEN、Parti、Muse。

DALL-E 2虽能生成较为逼真的图片，但无法辨识上下左右等方位信息，当文本中存在对物体颜色或场景内文字的描述时会出现错误，生成复杂场景时还会出现严重的细节缺失。

IMAGEN使用大量纯文本语料训练，得益于强大的编码器，IMAGEN在为物体分配颜色和生成场景内文字时更加准确。

Parti具有可扩展的模型规模，最高可扩展至200亿参数，参数越多、模型规模越大，生成图像的细节越丰富，错误信息也明显降低。

Muse在给输入图片加入掩码进行重构学习的基础上，利用动态遮蔽率实现推理阶段的迭代并行编码，在不损失图片生成效果的同时，极大地提高了模型推理效率。

视频生成

视频可以认为是多张“图片”有逻辑、连贯的组成，AI生成视频是AI生成图片的深度延伸。现有AI生成视频模型可一定程度满足提升效率与契合脚本内容的需求，但由于模型本身能力和训练素材质量的限制，此类模型目前处于非常初级的阶段，存在动作过渡不自然、理解角度诡异、视频分辨率不高等问题，所生成的视频还不够完善。

Meta的“Make-A-Video”AI影片生成工具可通过文字和图片识别，生成一段时长5秒、16fps的无声片段，分辨率为768×768。除文本输入外，还可根据其他视频或图片制作新视频，或是生成连接图像的关键帧，让静态图片动起来。

谷歌的Imagen Video与Phenaki，前者主打视频品质，后者主要挑战视频长度。其中Imagen Video可根据文本提示以24fps生成分辨率为1280×768的视频，长度不超过5秒；Phenaki可根据200词左右的提示语生成2分钟以上长镜头，且具备相对完整的故事情节。

3D模型生成

若需要制作更为复杂的3D模型，也有相应的AI生成模型，但渲染环节暂无专门的AI模型支持。

谷歌DreamFusion可由文本生成具有密度和颜色的3D模型，还可进一步导出为网格体，以便进一步加工。

英伟达Magic3D使用两阶段生成法，首先使用低分辨率扩散先验获得模型的粗略表示，并使用稀疏3D哈希网格结构进行加速；再以粗略表示作为初始，进一步优化具有纹理的3D网格模型。

OpenAI的POINT-E由文本-图像模型和图像-3D模型组成，其首先根据文本生成2D图像，再将2D图像依次转换为包含1024个点的粗略点云，最后在粗略点云的基础上生成包含4096个点的精细点云。

动画场景生成

AI在动画场景绘制方面已有短片应用。此前奈飞（Netflix）与微软小冰、WIT STUDIO共同创作首支AIGC动画短片《犬与少年》，其中部分动画场景由AI辅助生成。其采用类似Stable Diffusion中以图生图的方式，由制作人提供设计图，AI生成细节并优化，形成一张完成度较高的场景图，制作方只需对这张图进行适当修改，即可直接使用。

视频风格迁移

如果对现有视频风格不满意，还可使用AI工具生成其他定制风格的新视频。

谷歌Dreamix可通过应用特定的风格从现有视频中创建新的视频。

曾在2022年创建“文本-图像”模型Stable Diffusion的技术公司Runway推出模型Gen-1，可通过文本提示或参考图像指定的任何风格，将现有视频转换为全新风格、时长更长的视频。

声音作为电影的另一项要素，主要包括对白、音效、音乐，共同起着情节推进、氛围营造和情感共鸣等重要作用。目前也有不少AI模型可以完成相关内容的生成制作。

对白

微软的语音合成AI模型VALL-E经过6万小时英语语音数据的训练，使用特定语音的3秒剪辑来生成内容，可复制说话者的情绪和语气，即使说话者本人从未说过的单词也可以模仿。

科大讯飞的多风格多情感合成系统SMART-TTS充分利用文本和语音的无监督预训练，实现了从文本到声学特征、再到语音的端到端建模，可提供11种情感、每种情感20档强弱度的调节能力，也可根据自己喜好调节停顿、重音、语速等。

音乐

谷歌的MusicLM可从文本描述中生成频率为24kHz的高保真音乐，还可以基于已有旋律转换为其他乐器，甚至可以设置AI“音乐家”的经验水平，系统可以根据地点、时代或音乐风格（例如锻炼的励志音乐）进行创作。

浙江大学与北京大学联合火山语音提出的文本到音频的生成系统Make-An-Audio，可将自然语言描述作为输入，而且是任意模态（例如文本、音频、图像、视频等）均可，同时输出符合描述的音频音效，具有强可控性、泛化性。

多模态大模型能够在计算机视觉（CV）、自然语言处理（NLP）、语音识别等不同的模态间构建关联，单个模型可支持，以音生图、以文生图、以图生音以及声音转文字等功能。

OpenAI的CLIP、国内百度文心、紫东·太初、阿里“通义”等多模态大模型近年来持续发展，在电影制作领域也具备一定的潜在应用价值。

在上述各类模型的共同参与下，AI生成电影的基本链条已具雏形。但正如ChatGPT所言，目前AI技术仍然存在一些局限：

第一：AI模型仍然需要人工干预，语言类模型给出的文本指导需经过专业技术人员的审核确认才能实际应用；

第二，用于生成视频和音频的AI模型由于训练数据的限制，生成结果较为简单，质量还远远达不到电影要求；

第三，由于AI生成内容是由机器使用现有数据和内容产生，AI生成作品的版权问题仍存在较大争议，法律对AI生成内容的版权保护仍处于“缺位”状态。

虽然目前AI技术在电影制作中的应用尚未成熟，“但是，AI模型可以作为电影制作过程中的有用工具，帮助完成一些繁锁的任务，并提高制作效率和质量”。电影行业可在适宜使用AI的领域加快应用试验和探索实践，持续稳步推进，引导行业健康发展。