# Snap Video – Snapchat公司推出的AI视频生成模型 - Link: https://paooo.com/aigc-news/28151/ - Published: 2026-07-10T03:11:14+08:00 - Author: Prompt 语宙研究院 ## Snap Video是什么 Snap Video是由Snap（社交媒体Snapchat所属的公司）研究团队开发的一个AI视频生成模型， 目标是通过文本描述来合成视频，即用户可以输入一段描述性的文本，模型能够根据这段文本 生成相应的视频内容。由于视频内容具有高度的冗余性和复杂性，Snap Video旨在解决从文本 描述生成高质量、时间上连贯、高运动保真度的视频的挑战。用户研究显示，Snap Video与 Pika、Runway Gen-2等视频生成模型相比毫不逊色甚至效果更好。 阅读目录 * [Snap Video是什么](https://paooo.com/aigc-news/28151/#snap-video%e6%98%af%e4%bb%80%e4%b9%88) * [Snap Video的官网入口](https://paooo.com/aigc-news/28151/#snap-video%e7%9a%84%e5%ae%98%e7%bd%91%e5%85%a5%e5%8f%a3) * [Snap Video的主要特点](https://paooo.com/aigc-news/28151/#snap-video%e7%9a%84%e4%b8%bb%e8%a6%81%e7%89%b9%e7%82%b9) * [Snap Video的技术架构](https://paooo.com/aigc-news/28151/#snap-video%e7%9a%84%e6%8a%80%e6%9c%af%e6%9e%b6%e6%9e%84) ![Snap Video](https://paooo.com/wp-content/uploads/2026/07/snap-video-ai-model-1. avif) ## Snap Video的官网入口 * 官方项目主页：[https://snap-research.github.io/snapvideo/](https://snap-research.github.io/snapvideo/) * arXiv研究论文：[https://arxiv.org/abs/2402.14797](https://arxiv.org/abs/2402.14797) ## Snap Video的主要特点 * **视频优先模型**：Snap Video是专门为视频内容生成设计的模型，在处理视频的时间连续 性和运动方面进行了特别的优化。这与许多其他模型不同，后者通常是从图像生成模型扩展 而来，可能在处理视频时存在局限性。 * **扩展的EDM框架**：该模型扩展了[EDM框架](https://arxiv.org/abs/2206.00364)，使 其能够更好地处理视频数据的空间和时间冗余，从而提高视频生成的质量。 * **高效的Transformer架构**：Snap Video采用了基于Transformer的FIT架构，在处理序列 数据和捕捉长期依赖关系方面非常有效，尤其是在视频生成任务和处理高分辨率视频中。 * **快速训练和推理**：与U-Net等传统架构相比，Snap Video的训练和推理速度更快，能够 更高效地生成视频。 * **高分辨率视频生成**：Snap Video能够生成高分辨率的视频内容，这在以往的文本到视频 生成模型中是一个挑战，因为需要处理更多的细节和复杂的运动。 * **联合空间-时间建模**：Snap Video通过联合空间和时间维度的建模，能够生成具有复杂 运动和高时间一致性的视频。 ## Snap Video的技术架构 * **扩展的EDM框架**：Snap Video对EDM框架进行了扩展，以适应高分辨率视频的生成。EDM 框架原本用于图像生成，通过模拟数据的扩散过程来生成新的数据样本。Snap Video通过 引入输入缩放因子（σin），调整了EDM的正向扩散过程，以保持原始分辨率下的信噪比（ SNR），从而在高分辨率视频生成中保持了性能。 * **变换器架构**：Snap Video采用了基于变换器（Transformer）的架构，这是一种高效 的深度学习模型，特别适合处理序列数据。变换器通过自注意力机制（Self-Attention） 和跨注意力机制（Cross-Attention）来捕捉输入数据中的全局依赖关系。在Snap Video 中，变换器被用来处理视频帧，以生成具有连贯运动的视频。 * **FIT架构**：Snap Video使用了[FIT（Far-reaching Interleaved Transformers）](https://arxiv.org/abs/2305.12689) 架构，这是一种专门为高分辨率图像和视频合成设计的变换器架构。FIT通过学习输入数据 的压缩表示，并在可学习的潜在空间上执行计算，从而允许输入维度的增长而不会显著影响 性能。这种压缩表示使得Snap Video能够有效地处理高分辨率视频数据。 ⌊Snap Video FIT架构⌉ * **联合空间-时间建模**：Snap Video在生成视频时，同时考虑空间和时间维度，这有助 于捕捉视频中的动态变化和运动。这种联合建模策略提高了视频的时间一致性和运动质量。 * **两阶段级联模型**：为了生成高分辨率视频，Snap Video采用了两阶段级联模型。第一 阶段模型生成低分辨率的视频，第二阶段模型则将这些视频上采样到更高的分辨率。这种 级联方法允许模型在保持性能的同时生成高质量的视频。 * **训练和推理过程**：Snap Video在训练过程中使用了LAMB优化器，并采用了余弦学习率 调度。在推理过程中，模型使用确定性采样器从高斯噪声中生成视频样本，并应用分类器 自由引导（Classifier-Free Guidance）来提高文本-视频对齐。 * **条件信息**：Snap Video在生成过程中利用了条件信息，如文本描述、噪声水平、帧率 和分辨率，这些信息通过额外的读取操作提供给模型，以控制生成过程。 [🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（ paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示 词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发 者与创作者提供一手、可复现的深度技术洞察。 [📄 Markdown 纯净版](https://paooo.com/aigc-news/28151/?format=md) 💡 这篇内容对您有启发吗？ [📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/) **🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词 咒语库 [🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/) [📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)