Vì sao video AI chỉ dài vài giây?
Độ dài video: một clip là nhiều khung hình, nên là nhiều patch; attention so mọi cặp với nhau, nên khối lượng tính tăng theo bình phương độ dài, và giữ một nhân vật y nguyên theo thời gian rất khó, nên các công cụ làm clip ngắn rồi nối dài hoặc ghép lại · Cơ bản · 5 phút · attention, sampling · học sau Diffusion (model ảnh khử nhiễu), Self-attention
Mô hình video làm việc trên các patch của từng khung hình, và attention so mỗi patch với mọi patch khác, nên clip dài gấp đôi là khoảng gấp bốn khối lượng tính. Nhân vật cũng bị trôi dần, nên các công cụ làm clip ngắn rồi nối dài hoặc ghép lại.
1 Đoán trước
2 Xem
Why each extra second costs more
1 / 4One picture: 1 frame
about 2,300 patches (calculated)
A 16-second clip: 32 frames
73K patches
Movie Gen: 73K tokens = 16 s (Polyak et al.); per-frame count calculated
A video is many frames, so many patches. In Movie Gen, 16 seconds is 32 compressed frames of about 2,300 patches each: 73K tokens, where one picture needs one frame’s worth.
Một clip là chồng khung hình, khung nào cũng đầy patch; mỗi giây thêm vào lại thêm patch, mỗi patch phải được so với tất cả patch còn lại, và các đoạn làm riêng thì quên mất nhân vật trông thế nào.
Mô hình video nhìn một clip giống như mô hình ảnh nhìn một bức ảnh: thành các patch, những ô vuông nhỏ của từng khung hình. Nhiều khung hình là nhiều patch. Để cảnh liền mạch, attention cho mỗi patch nhìn mọi patch khác, cả trong khung hình lẫn qua thời gian, nên khối lượng tính tăng theo bình phương số patch, chứ không tăng đều theo nó.
4 Bạn là model
Bạn là mô hình video. Có người muốn một clip dài hơn, rồi một clip thứ hai từ cùng đoạn chữ, rồi nối dài clip đầu tiên.
round 1 of 3 · You made a 16-second clip in one go. Now someone wants 32 seconds, still in one go.
How much more attention work is that?
pairs calculated from Movie Gen; clips illustrative
You are the video model. Pick what most likely happens.5 Kiểm tra
Độ dài còn phải trả bằng tính nhất quán. Một nhân vật chỉ giữ nguyên khi mọi chi tiết còn gắn với nhau qua hàng trăm khung hình. Các clip làm riêng chỉ chung nhau mỗi prompt; ngay cả một clip dài cũng có thể trôi. Chính nhóm làm Movie Gen, khi nâng độ phân giải video theo từng cửa sổ chồng lên nhau, đã thấy “noticeable inconsistencies at the boundaries” (những chỗ lệch dễ thấy ở đường nối).
Vì thế các công cụ giới hạn một lần tạo ở mức vài giây: Veo 3.1 là 8, Runway Gen-4.5 là 10, Kling 3.0 là 15, Wan 3.0 là 30. Video dài hơn được dựng từ nhiều đoạn: nối dài một clip từ giây cuối của nó, bắt đầu clip sau từ khung hình cuối, hoặc làm các cảnh ngắn rồi dựng ghép lại, như phim vẫn làm.
8 Nói lại bằng lời bạn
9 Nhiệm vụ · 5 phút
Trên gói miễn phí của Runway, làm một clip 3 giây: “a woman in a red coat and yellow scarf walks past a blue door” (một người phụ nữ mặc áo khoác đỏ, quàng khăn vàng đi ngang qua một cánh cửa xanh dương). Lưu khung hình cuối thành ảnh và bắt đầu clip 3 giây thứ hai từ ảnh đó. Làm clip thứ ba chỉ từ đoạn chữ. Phát lần lượt cả ba: áo khoác, khăn hay khuôn mặt đổi ở đâu?
Ba câu nhanh
Rút ngẫu nhiên từ bộ câu hỏi của bài; lần sau sẽ khác.
Xong chưa?
Đọc thêm
Nguồn
- Polyak et al., “Movie Gen: A Cast of Media Foundation Models” (arXiv:2410.13720, v2 2025-02-26, https://arxiv.org/abs/2410.13720, checked 2026-10-23): “trained with a maximum context length of 73K video tokens, corresponding to a generated video of 16 seconds at 16 frames-per-second”; §3.1.1 the temporal autoencoder compresses “8×” across each spatio-temporal dimension; §3.1.6 “Due to the quadratic nature of self-attention”; §3.1.5 upsampling “in a sliding window fashion resulting in noticeable inconsistencies at the boundaries”
- Runway API OpenAPI spec (https://docs.dev.runwayml.com/openapi.json, checked 2026-10-23), `duration` per model: gen4.5 2–10 s, veo3.1 4, 6 or 8 s, kling3.0_pro 3–15 s, hailuo3 5–15 s, wan3 2–30 s
- Google, Gemini API “Generate videos with Veo” (https://ai.google.dev/gemini-api/docs/veo, checked 2026-10-23): Veo 3.1 `durationSeconds` 4, 6 or 8; “Extend finalizes the final second or 24 frames of your video and continues the action”; extend “by 7 seconds and up to 20 times”, “for up to 148 seconds of video”
- Runway pricing (https://runway.com/pricing, checked 2026-10-23): Free plan “125 one-time credits”; “Gen-4.5 uses 12 credits per second of generated video”
- Calculated, not measured: 16 s × 16 fps = 256 frames, ÷ 8 = 32 compressed frames, 73,000 ÷ 32 ≈ 2,300 patches each; pairs = patches²: 73,000² ≈ 5.3 billion, 146,000² ≈ 21 billion (32 s), 273,750² ≈ 75 billion (60 s), (60 ÷ 16)² ≈ 14; real models also compress and restrict attention, so these show the growth, not their bills
- The four clips and their looks in the picture, the role wording, the ad example and the mission prompt are illustrative, not measured
- aifree.dev catalog, runway-free-plan (verified 2026-10-12, read-only API check 2026-10-23): 125 one-time credits, a selection of models, watermark on free exports
Đăng Oct 23, 2026 · cập nhật Oct 23, 2026