Meta终于亮出了对抗Sora的底牌，Movie Gen不仅仅是一个视频生成器——它是一组基础模型，可以生成1080p高清视频，支持多种宽高比和同步音频，支持精确的指令基础视频编辑，并能根据用户照片生成个性化视频。这份详细评测将Meta的发布与OpenAI的Sora对标，分析了每个系统的架构选择在哪些方面能够取得回报，权衡因素如何分布，以及两个实验室在视频基础模型应该是什么样的问题上似乎如何分歧。

核心是一个30B参数的Transformer，用73K视频tokens的最大上下文长度训练——足以生成16秒的视频，16fps——在文本转视频合成、视频个性化、视频编辑、视频转音频和文本转音频生成方面提出了新的SOTA声称。评测介绍了Meta强调的技术创新：架构和潜在空间设计、训练目标和方法、数据策展、评估协议、并行化技术和推理优化。如果您正在构建或基准测试生成式视频和音频系统，这个对比是一个很好的指南，展示了前沿实际解决方案现在落在哪里。