【AI视频】Runway： Gen-2 与 Gen-3 文本生视频详解

💯前言

• 在上一篇文章【AI视频】Runway注册、基本设置、主界面详解中，我们详细介绍了 Runway 的注册流程、基本设置以及主界面的功能操作。随着 AI 技术的不断革新，Runway 近期推出了最新的 Gen-3 模型，进一步提升了文本生成视频的效果与精度。在本文中，我们将分别介绍 Runway 最常用的 Gen-2 模型和最新的 Gen-3 模型的文生视频功能，帮助大家了解这两款模型在视频生成上的主要区别和应用场景。
• 值得注意的是，Gen-2 模型目前可以免费使用，而 Gen-3 模型则需要订阅后才可以体验。对于刚刚开始学习 AI 视频创作的用户而言，Gen-2 模型功能已经非常强大，能够满足绝大多数的创作需求，因此在初期可以不必急于订阅 Gen-3 模型，选择 Gen-2 完全足够进行学习和实践。 Runway官方文档

💯Gen-2 模型

• 之所以首先讨论Runway 的 Gen-2 模型而非最新的 Gen-3 模型，是因为 Gen-2 模型可以在Runway注册后免费使用的。每个账号注册后会赠送 525 积分，而生成 1 秒钟的视频需要 5 个积分。这意味着新用户可以在不需要额外支付费用的情况下，可以使用这些积分来生成105s的视频内容，这在学习或体验初期是完全足够的。

1. 首先你需要前往 Runway 的 Home 页面，位于左侧菜单栏上方，点击进入首页。在首页中，找到 Gen-3 Alpha 模块，你会看到有一个按钮标示为 “Get started”。点击这个按钮即可开始使用该工具。

1. 接下来，你需要切换至 Gen-2 模型。在操作界面的右上角，有一个下拉菜单，默认显示的是 Gen-3 Alpha 模型。点击这个下拉菜单后，选择 Gen-2 模型。

Gen2 仅文本生成视频模式

• 我们可以看到Gen-2 模型操作界面有三种生成视频的方式：第一种是 仅使用文本，第二种是 仅使用图片，第三种是 图片加描述。本文将着重介绍如何使用仅文本模式生成视频。

Generat（生成）

1. 首先，我们准备一段中文描述，然后使用翻译工具将这段文字翻译成英文。关于翻译工具的选择，大家可以根据自己的习惯来选择。这里使用的是DeepL。

A small isolated lighthouse on a scenic coast, with waves gently lapping against the rocks and a few seagulls circling in the sky, presents a peaceful natural scene.

1. 将生成的英文提示词放入文本框中，此时可以看到，右下角的“生成”按钮已经被激活，表明系统已识别到文本输入。点击 Generate 4s 按钮，开始生成一个4秒钟的视频。

1. 生成

1. 生成效果如图所示：

Enhance text prompt（增强文字提示）

1. 点击小灯泡按钮后，用户输入的提示词会通过点击“增强文字提示”按钮进行进一步优化。系统会根据用户的输入，自动生成更详细或更具创意的描述，帮助用户在生成内容时获得更加多样化的效果。

1. 使用增强提示词功能后，我们看到提示词补充了更多细节，使文本提示增加到了 312 字符，同时我们也注意到上限是320字符。

1. 以下是优化提示词后生成的新视频，细节和色彩光影效果确实比优化的前更出色。

Free previews（免费预览）

1. 预览按钮是可以让我们选择画面的参考图，点击后系统生成了四张不同角度的预览图片。我们可以通过这些图片决定是否继续生成视频。

1. 如果对效果不满意，可以选择重新生成一组四张图片。

1. 选择合适的预览图片后会放入文本上方的图片中，这就相当于是Gen-2的图片+文本生成视频，类似Midjourney中的/imagine图片+提示词。这个操作会让这个图片作为视频的第一帧。

4. 效果如下，是在图片作为视频的第一帧基础上体现提示词。

高级设置

• 在我们文本框下面有个高级设置的选项

• 点开以后我们可以看到如下菜单栏：，菜单栏中的设置是接下来所要介绍的

Resolution（分辨率）

• Resolution 用于调整视频生成的画质，用户可以选择 SD（标准清晰度） 或 HD（高清晰度）。需要注意的是，选择高清模式会增加生成时间，但同时也会提升视频的清晰度和细节呈现效果。用户应根据视频用途选择合适的分辨率，以平衡质量和生成时间。

Fixed seed（固定种子）

• Fixed Seed 选项用于生成视频时固定随机数种子，以便在相同参数下获得一致的结果。通过勾选此选项，你可以确保每次生成的视频与之前生成的相似。

Interpolate（插桢）

• 启用 Interpolate 功能后，生成的视频会对每一帧进行平滑处理，使整体画面的流畅度提高，避免帧与帧之间的跳动或不连贯感。这对于想要呈现更自然的视频过渡效果尤其有用，特别是当生成的视频片段较短时，插帧功能能够有效增强视觉的连续性与一致性。

对比开启/关闭插帧

1. 未开启Interpolate：

• 在未开启 Interpolate 时，生成的视频可能会出现帧与帧之间不够平滑的现象，尤其在快速变化或动态场景下，画面显得有些生硬。这种情况下，虽然视频内容依旧符合提示词的要求，但整体观看体验会稍显生硬，过渡不够流畅，画面动态不够自然。

1. 开启Interpolate：

• 而开启 Interpolate 功能后，视频的每一帧之间通过插值算法进行平滑处理，显著提升了画面的流畅度，尤其是在动态场景下，视频的帧间过渡更加自然、顺滑，整体视觉体验更加舒适，提升了观看质量。这种处理特别适用于动作较多或画面转换较频繁的视频生成需求。

Remove watermark（水印）

• 删除水印选项是指从生成的视频右下角去除Runway的水印图标。在启用“Remove watermark”功能后，生成的视频将不再显示带有Runway品牌的图标，如下图所示。

• 有水印的视频会在右下角显示出一个小的彩色图标。

• 而去除水印后，这一图标则完全消失。

需要注意的是：这个功能需要订阅后才能使用

Prompt weight for prevlew Images、Negative Prompt for prevlew Images

• Prompt weight for preview Images 用于设置预览图像中提示词的权重，这一功能仅适用于图像生成而非视频生成。当设置较高的权重时，预览图像将更精准地呈现出输入的提示词内容。
• Negative Prompt for preview Images 用于设定预览图像中的否定提示词，帮助排除不需要的元素，提高生成内容的准确度。

• 注意： 此设置仅适用于预览的图像调整，并不是用于视频生成。

General Motion（通用运动）

• 在General Motion设置中，可以通过调整数值来控制视频中的运动强度。数值越高，视频中的运动效果越明显。
• 注意：此设置可以影响整体视频的运动节奏，如果希望视频保持平稳或需要较多动作效果，建议根据具体需求灵活调整此参数。

生成视频后的设置

• 在完成视频生成后，用户可以通过多个设置和操作按钮进一步调整生成内容。每个功能都可以帮助用户优化视频效果、管理文件或分享作品。接下来将详细介绍每个功能的使用方法及其作用，以便更好地定制生成的视频内容。

Reuse settings（重用设置）

• Reuse settings 功能允许你将当前视频的所有设置重新应用到新的视频生成过程中。这意味着你可以保留当前的提示词、参数和图像，快速生成相似风格或内容的视频，而无需重新输入这些设置。这对保持多个视频的一致性非常有用，尤其是需要批量生成类似视频时，能够大大提高效率。

• 效果如图所示：

See full prompt（查看完整提示）

• 在生成视频后，用户可以通过点击 See full prompt 按钮，查看生成视频时使用的完整提示信息。点击后，系统会展示该视频的所有详细信息，包括输入的提示词、视频的分辨率、帧数、种子值等技术参数。

• 如图所示，点击按钮后，可以看到完整的提示词，该图的种子数、像素、分辨率等信息。这对于优化提示词和重复生成类似风格的视频非常有帮助，用户可以根据这些信息对生成过程进行微调。

Download、Favorite、Remove from feed

• 下载（Download）：点击下载按钮，用户可以将生成的视频保存到本地，这样便可随时查看或进行进一步编辑。
• 添加到喜欢（Favorite）：通过点击心形按钮，用户可以将当前视频添加到收藏夹，以便在后续操作中快速找到自己喜欢的作品。
• 从 feed 中移除（Remove from feed）：点击叉形按钮，用户可以关闭该视频窗口，从 feed 中移除该视频，不再显示。

Extend（延长视频）

• 通过 Extend 功能，用户可以对生成的视频进行延长，每次点击会将视频延长 4 秒。这个功能特别适合短视频的生成，用户可以通过多次延长来达到所需的视频时长。每次延长的部分会根据之前的画面生成新的内容，从而保证视频的连贯性和流畅度。

Lip Sync（口型同步）

1. Lip Sync功能主要用于视频中包含人物且有对话场景时，通过这一功能可以将音频与视频中的人物口型进行同步，使得对话效果更加自然真实。

1. 该图没有用到人像，所以用不上。如图所示，系统提示视频中未检测到人脸，因此无法进行口型同步。

Rate（反馈）

• Rate 功能允许用户对生成的视频进行评分，评分范围通常为一到五星。这一功能可以帮助 Runway 收集用户对生成效果的反馈，进而改进模型的性能和生成质量。

Rename、Share、Report content

• Rename（重命名）：用户可以通过此选项为生成的视频重新命名，这样可以更方便地组织和管理多个项目。重命名后，视频文件会以新的名称显示在项目列表中。
• Share（分享）：点击分享按钮，可以将生成的视频通过不同的渠道分享给其他用户或平台。这使得用户可以方便地展示自己的创作成果。
• Report content（报告内容）：如果生成的视频中包含不适当的内容或违反平台规则的元素，用户可以通过此选项报告该视频，平台会对其进行审核和处理。

💯Gen-3 模型与Gen-2 模型的区别

Gen-3 是 Runway 在2024年6月18日推出的全新生成视频模型。作为 Gen-2 的继任者，Gen-3 引入了更先进的技术，在效率和图像生成效果上都得到了显著提升。 新推出的功能 相比 Gen-2，Gen-3 主要增强了以下功能：

1. 更快速的渲染速度：得益于更强大的模型架构，Gen-3 能够以更快的速度生成视频，提升了用户体验。
2. 增强的多模态生成能力：Gen-3 支持更复杂的文本到视频的转换，能够处理更抽象或具体的描述，同时生成更高质量的视频输出。
3. 改进的图像稳定性和流畅度：在视频渲染时，Gen-3 对画面的平滑度和过渡进行了优化，使得生成的视频更加自然。

• 我们可以可以通过左上角的模式切换选项，选择Gen-3模型来进入全新的功能界面。

• 我们看到现阶段Gen-3的功能模块还是相较于Gen-2更少一些，这是为什么呢？ 这是因为Gen-3 刚刚推出，许多功能还在持续更新和适配阶段。开发团队正在根据用户反馈不断优化并增加更多功能。因此，在最初阶段，Gen-3 的功能可能相对少一些，但随着不断的更新，后续版本会逐步引入更多新的功能和工具，超过 Gen-2 的功能集。

• 现阶段，Gen-3 的发展重点在于确保新引入的功能能够稳定运行，并进一步提升生成内容的质量和生成效率。

1. 现阶段Gen-3的功能相对较少，更侧重在于视频生成质量和生成速度上的提升，其他设置基本在上面的Gen-2都可以找到，有一点特别的就是，Gen-3模型可以自由选择5s或10s的生成视频时间。

1. Gen-3的文本提示词限制字数是500字以内，比Gen-2更多。

• 目前，要使用 Gen-3 需要订阅服务，订阅后可以获得更高级的功能，随着Runway的不断发展，Gen-3 将成为创意专业人士生成高质量视频内容的强大工具。

• 看看Gen-3模型的生成效果：

💯小结

通过对 Gen-2 和 Gen-3 两个模型文生视频的详细介绍，我们可以清楚地看到它们各自的优势和应用场景。Gen-2 模型凭借其免费使用和稳定的生成效果，已经足够满足初学者和一般创作者的需求。对于那些不需要过多高级功能的用户，Gen-2 是一个理想的选择。而 Gen-3 作为更高阶的模型，虽然功能还在不断完善中，但在生成速度、效果细节和处理复杂场景方面都有显著的提升，适合那些追求更高品质创作的用户。随着 Runway 的不断更新，我们可以期待 Gen-3 在未来会带来更多强大的功能和更广泛的应用场景。

• 展望未来，随着 AI 技术的进一步发展，视频生成的精度、真实感和多样性将持续提升。我们可以预见，AI 不仅会在视频生成的过程中具备更高的智能性，能够理解更加复杂的提示词，还会带来全新的创作模式，例如实时编辑、自动优化内容等。这将为电影制作、广告创意、内容营销等领域带来深远的变革。

import torch,torch.nn as nn,torch.optim as optim,cv2,numpy as np;class Generator(nn.Module):def __init__(self,z_dim,img_dim):super(Generator,self).__init__();self.gen=nn.Sequential(nn.Linear(z_dim,256),nn.LeakyReLU(0.2),nn.Linear(256,512),nn.LeakyReLU(0.2),nn.Linear(512,1024),nn.LeakyReLU(0.2),nn.Linear(1024,img_dim),nn.Tanh());def forward(self,x):return self.gen(x);class Discriminator(nn.Module):def __init__(self,img_dim):super(Discriminator,self).__init__();self.disc=nn.Sequential(nn.Linear(img_dim,1024),nn.LeakyReLU(0.2),nn.Linear(1024,512),nn.LeakyReLU(0.2),nn.Linear(512,256),nn.LeakyReLU(0.2),nn.Linear(256,1),nn.Sigmoid());def forward(self,x):return self.disc(x);z_dim,img_dim,lr,batch_size,epochs=100,64*64*3,0.0002,32,50000;generator=Generator(z_dim,img_dim);discriminator=Discriminator(img_dim);opt_gen,opt_disc=optim.Adam(generator.parameters(),lr=lr),optim.Adam(discriminator.parameters(),lr=lr);criterion=nn.BCELoss();def generate_noise(batch_size,z_dim):return torch.randn(batch_size,z_dim);def generate_video_frames(generator,z_dim,num_frames=30):frames=[];for _ in range(num_frames):noise=generate_noise(1,z_dim);frame=generator(noise).detach().numpy().reshape(64,64,3);frames.append((frame*255).astype(np.uint8));return frames;def save_video(frames,filename="output_video.mp4",fps=10):height,width,_=frames[0].shape;video=cv2.VideoWriter(filename,cv2.VideoWriter_fourcc(*'mp4v'),fps,(width,height));for frame in frames:video.write(cv2.cvtColor(frame,cv2.COLOR_RGB2BGR));video.release();for epoch in range(epochs):real_labels,fake_labels=torch.ones(batch_size,1),torch.zeros(batch_size,1);real_data=torch.randn(batch_size,img_dim);noise=generate_noise(batch_size,z_dim);fake_data=generator(noise);disc_real,disc_fake=discriminator(real_data).reshape(-1),discriminator(fake_data).reshape(-1);loss_disc_real,loss_disc_fake=criterion(disc_real,real_labels),criterion(disc_fake,fake_labels);loss_disc=(loss_disc_real+loss_disc_fake)/2;opt_disc.zero_grad();loss_disc.backward();opt_disc.step();output=discriminator(fake_data).reshape(-1);loss_gen=criterion(output,real_labels);opt_gen.zero_grad();loss_gen.backward();opt_gen.step();if epoch%100==0:print(f"Epoch [{epoch}/{epochs}] | Loss D: {loss_disc.item():.4f}, Loss G: {loss_gen.item():.4f}");if epoch%1000==0:frames=generate_video_frames(generator,z_dim);save_video(frames,f"generated_video_epoch_{epoch}.mp4");print("Training complete. Video generation finished.")