/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
15 июн 2023

zeroscope_v2_30x448x256

Генерация видеоТекст → видео3 профессии

Модель создаёт 30-кадровые видео 448×256 по текстовому описанию и служит для быстрого чернового рендеринга с последующим увеличением разрешения.

21скачиваний за 30 дней15лайковвеса обновлены28 июн 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Видео» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

cerspense/zeroscope_v2_30x448x256 — модель генерации видео по текстовому описанию на основе ModelScope, опубликованная пользователем cerspense. Она создаёт ролики из 30 кадров с разрешением 448×256 и соотношением сторон 16:9; модель обучена на 9 923 видеоклипах и 29 769 размеченных кадрах. В README указано, что веса обучены на основе исходных весов, но конкретная базовая модель не названа.

Модель предназначена прежде всего для быстрого создания черновых композиций с последующим увеличением разрешения через Potat1 в режиме vid2vid расширения text2video для Stable Diffusion WebUI. Она выдаёт видео без водяного знака и рассчитана на плавное воспроизведение. Для использования в этом расширении веса требуется переименовать и разместить в соответствующих каталогах ModelScope.

Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение. Среди ограничений README отмечает, что малое разрешение или меньшее число кадров может ухудшать результат; в некоторых роликах встречаются склейки или замедленное движение, для которого может потребоваться уточнение запроса.

Сценарии применения

  • создание черновых видеокомпозиций по текстовому запросу
  • быстрый подбор композиции перед рендерингом видео в высоком разрешении
  • генерация коротких роликов для последующего увеличения разрешения через vid2vid
  • эксперименты с движением и сценой по текстовым промптам

Ограничения

Малое разрешение или меньшее число кадров могут ухудшать качество; в отдельных роликах возможны заметные склейки и замедленное движение. Для повышения разрешения автор рекомендует отдельный этап vid2vid через Potat1.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model example

zeroscope_v2 30x448x256

A watermark-free Modelscope-based video model optimized for producing high-quality 16:9 compositions and a smooth video output. This model was trained from the original weights using 9,923 clips and 29,769 tagged frames at 30 frames, 448x256 resolution.

zeroscope_v2 30x448x256 is specifically designed for upscaling with Potat1 using vid2vid in the 1111 text2video extension by kabachuha. Leveraging this model as a preliminary step allows for superior overall compositions at higher resolutions in Potat1, permitting faster exploration in 448x256 before transitioning to a high-resolution render. See an example output that has been upscaled to 1152 x 640 using Potat1.

Using it with the 1111 text2video extension

  1. Rename the file 'zeroscope_v2_30x448x256.pth' to 'text2video_pytorch_model.pth'.
  2. Rename the file 'zeroscope_v2_30x448x256_text.bin' to 'open_clip_pytorch_model.bin'.
  3. Replace the respective files in the 'stable-diffusion-webui\models\ModelScope\t2v' directory.

Upscaling recommendations

For upscaling, it's recommended to use Potat1 via vid2vid in the 1111 extension. Aim for a resolution of 1152x640 and a denoise strength between 0.66 and 0.85. Remember to use the same prompt and settings that were used to generate the original clip.

Known issues

Lower resolutions or fewer frames could lead to suboptimal output. Certain clips might appear with cuts. This will be fixed in the upcoming 2.1 version, which will incorporate a cleaner dataset. Some clips may playback too slowly, requiring prompt engineering for an increased pace.

Thanks to camenduru, kabachuha, ExponentialML, polyware, tin2tin

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
7fd7827

0 моделей