FlashVideo：ByteDanceが発表した高解像度ビデオ生成フレームワーク 105

FlashVideoはバイトダンスと香港大学が共同開発した、高解像度の動画を高速に生成するために特化したフレームワークです。特にテキストから動画への生成に適しており、FlashVideoのコードはオープンソース化されており、GitHubで取得できます。

FlashVideoの技術的特徴

• 2段階フレームワーク設計：FlashVideoは動画生成プロセスを「低解像度優先」と「高解像度強化」の2つの段階に分けており、第1段階では50億パラメータの低解像度モデル（270p）を使用してテキスト記述に沿った動画コンテンツを高速に生成し、第2段階で解像度の向上と細部の最適化を行い、最終的に1080pの高画質動画を生成します。

• フローマッチング技術：フローマッチング（Flow Matching）技術を革新的に採用し、わずか4ステップで高解像度のディテール生成を完了します。従来手法と比較して、大幅な高速化を実現しています。

• 高速プレビュー機能：高速プレビュー機能をサポートしており、ユーザーは30秒以内に初期結果を取得し、その後高解像度動画の生成を継続するかどうかを決定できます。

FlashVideoの先進的なモデルアーキテクチャと革新的なアルゴリズムを組み合わせた技術は、RetNetアーキテクチャを動画生成に初めて適用することに成功しました。これにより効率が大幅に向上し、推論時間の複雑さがO(L^2)からO(L)に削減されました。長さLのシーケンスを生成する場合、処理時間が短縮されます。

このフレームワークはまた、動画の滑らかさを最適化するために冗長フレーム補間手法を導入し、生成される動画の品質をさらに向上させています。総合的な実験結果によると、FlashVideoは従来の自己回帰モデルと比較して効率が9.17倍向上しており、推論速度はBERTタイプのモデルと同等で、多数の動的かつリアルなシーンの合成に新たな可能性を提供します。

FlashVideoの主な利点：

• 生成速度：1080p動画がわずか102秒で生成可能で、従来手法より4倍高速

• 計算コスト：単一段階モデルと比較してVRAM消費を90%削減

• 生成品質：動的時間モジュールにより動作の一貫性を維持し、毎秒24フレームのスムーズさをサポート

• 応用シーン：ショート動画作成、映画のプリビズ、広告制作など、高速なプロトタイピングが必要な分野

FlashVideoの応用シーン

現在、FlashVideoは学術研究だけでなく、ビジネスの分野でも活用されており、ショート動画制作においても優れた性能を発揮しています：

• オンライン広告：FlashVideoはウェブサイト広告で広く利用されており、クリエイティブなアニメーションや動画広告を通じてユーザーを惹きつけています。例えば、あるブランド製品向けに展開されたFlash広告の古典的な事例では、生き生きとしたアニメーション効果とストーリー展開によって製品情報が効果的に伝えられました。

• 教育トレーニング：多くのオンライン教育プラットフォームが、教育コース制作にFlashVideoを使用しています。アニメーションと動画を組み合わせることで、複雑な内容をより分かりやすく解説できます。例えば、ある教育機関は一連のアニメーションコースをFlashで制作し、学生が数学や科学の知識をより深く理解できるよう支援しました。

• 企業プロモーション：企業はブランドプロモーションを行う際、しばしばFlashVideoを制作してブランドイメージを強化します。例えば、ある大手テクノロジー企業はFlashアニメーションを活用して製品の特徴や使用シーンを紹介し、ブランド認知度を高めて販売促進につなげました。

FlashVideoのコードは2025年2月12日にオープンソース化が発表されており、GitHubで取得できます：

GitHub：https://github.com/FoundationVision/FlashVideo

プロジェクトアドレス：https://jshilong.github.io/flashvideo-page/