AADiff:基于文本到图像扩散的音频对齐视频合成。

code：没开源

paper：[2305.04001] AADiff: Audio-Aligned Video Synthesis with Text-to-Image Diffusion (arxiv.org)

一种新的T2V框架，额外使用音频信号来控制时间动态，使现成的T2I扩散能够生成音频对准的视频。我们提出了基于音频的区域编辑和信号平滑，平衡了时间灵活性和连贯性。

1 介绍

文本到视频模型仍处于起步阶段。例如，完全依赖文本提示来指导整个生成过程，因此建模详细的时间动态方面困难。此外，输出缺乏音频，更接近动画gif而不是视频。即使在有音频先验的情况下，也不容易将视频输出与这个附加条件同步。

作者希望地将音频模态合并到传统T2I中，实现更可控的时间扩展。具体来说，给定一个T2I扩散模型，如stable diffusion 1，使用文本和音频来指导视频合成，前者侧重于可视化场景语义，而后者更负责时间动态的细粒度控制。

总结贡献：

• 第一个使用文本和音频的组合来指导视频合成的扩散模型。
• 提出了一个简单而有效的框架，用于文本到图像模型的音频同步视频生成，无需额外的训练或配对数据。
• 制作与音频输入同步的视频，提供内容创建应用程序。

应用：媒体创作者可以使用公共声源制作短视频，同时使用不同的文本提示操作场景构图和外观。与Null inversion等图像反演技术相结合时，可以将音频对应的图像动画化。框架与其模型组件是正交的，因此可以不断地从生成模型的进步中受益。方法建立在稳定扩散的基础上，在512 × 512的尺度下进行高质量的视频合成。

2 方法

图1方法概述。给定音频信号和文本提示，首先分别由音频编码器和文本编码器嵌入。选择具有最高相似度的文本标记并用Prompt-to-prompt编辑图像，其中平滑的音频幅度控制注意力强度。 

2.1 先验知识

对比式语言-音频预训练(CLAP)：通过使用两个编码器和CLIP中的对比学习，来整合文本和音频。

Latent Diffusion Model (LDM)：计算效率高的扩散模型，使用Variational Auto-Encoder，首先将像素值映射到潜在码，然后在潜在空间中进行顺序去噪操作。

2.2 Audio-aligned扩散

目标是生成一个与提示相对应的视频，在此提示上，添加基于声音的精细动态效果。

采用了三种预训练基础模型：文本编码器、音频编码器和扩散主干。对于文本编码器和扩散生成器，使用Stable diffusion和CLIP。

CLAP用于生成音频嵌入，根据两两相似度，突出显示top-k文本标记。有了感兴趣的文本标记，得到如Prompt-to-prompt所示的空间注意力图。一般选择k = 1。

2.3 带有注意力图控制的局部编辑

Prompt-to-prompt是一种通过注意图控制进行文本驱动图像编辑的方法。使用图像翻译执行视频合成时，用音频查询的top-k文本token进行局部语义编辑。为了模拟音频信号的时间动态，沿时间轴取输入音频的幅值，并将其用作控制每个时间帧图像编辑强度的乘子。具体来说，音频幅度乘以目标文本标记与图像之间的注意图，当音频信号较强时，突出显示的区域会发生急剧变化。这限制了输出视频与音频信号的同步。

2.4 用滑动窗口平滑音频

使用音频幅度作为引导信号提供了时间上的灵活性。但，利用每个时间框架的原始值会导致输出不稳定。为了克服这个问题，在音频幅度上应用一个大小为5的滑动窗口。这平滑了音频信号的变化，并有助于制作更自然和连贯的动态视频。不同窗口大小的影响如图2所示。

图2。可变滑动窗口。较小的窗口大小可以有效地捕捉动态变化，例如打雷。较大的窗口大小则擅长于表示渐变，例如野火蔓延。这个超参数允许内容创建者灵活地控制视频的时间动态。

 

3 实验

 

 图3。不同声源的定性结果。

 图4。剪辑相似度和音频大小。这两个值是一致的，表明我们的模型忠实地反映了视频语义中的音频动态。

图5。零反演的定性结果。我们的方法可以将真实图像和音频源结合起来，创造出更加身临其境的视听内容。

 图6。窗口大小分析。无窗口(s = 1)导致过度波动，而无限窗口(s = 150)过度限制了时间动态。我们在中档找到最佳点。

没有窗口，时间动态太不稳定，导致时间不一致的输出。应用无限窗口时，视频被过度的动量拖动，产生类似于静止图像的样本。我们在中间找到一个最佳点，在不过度损害动态灵活性的情况下保证一定程度的时间一致性。

图7。视频合成从多个音频信号。AADiff可以利用混合在音频输入中的不同语义，并生成自然结合这些概念的视频。 

图8。通过不同的音频幅度，可以进一步控制变形的程度。 

 

图9。与传统的文本到视频模型不同，AADiff结合了音频输入的时间动态，当给出同一类的不同声音时产生不同的视频。 

框架是如何整合音频信号的：尽管被赋予相同的声音类别(如雷雨)，但由于音频内容的不同，输出的视频也具有不同的视觉动态。这将我们的方法与纯文本驱动的视频合成方法区别开来，后者通常缺乏以细粒度方式控制时间动态的手段。

4 结论

提出了一个新的框架，将文本和音频作为输入并生成音频同步视频。由于不需要额外的训练或任何形式的配对数据，它可以以简单的方式充分利用最先进的多模态基础模型。