在這項工作中，我們提出了Vlogger，這是一個用於生成分鐘級視頻博客（即vlog）的通用AI系統。與幾秒鐘的短視頻不同，vlog通常包含一個復雜的劇情和多樣化的場景，這對大多數現有的視頻生成方法來說都是具有挑戰性的。為了突破這一瓶頸，我們的Vlogger巧妙地利用大型語言模型（LLM）作為導演，將vlog的長期視頻生成任務分解為四個關鍵階段，其中我們調用各種基礎模型扮演vlog專業人員的關鍵角色，
- 劇本
- 演員
- ShowMaker
- Voicer
通過模仿人類的設計，我們的Vlogger可以通過自上而下的規劃和自下而上的拍攝的可解釋合作來生成vlogs。此外，我們引入了一個新穎的視頻擴散模型ShowMaker，它作為我們Vlogger中的攝影師，用於生成每個拍攝場景的視頻片段。通過結合劇本和演員作為文本和視覺提示，它可以有效地增強片段中的空間-時間連貫性。此外，我們為ShowMaker設計了一種簡潔的混合訓練范式，提升了它在T2V生成和預測方面的能力。最後，廣泛的實驗表明，我們的方法在零次拍攝T2V生成和預測任務上達到了最先進的性能。更重要的是，Vlogger可以從開放世界的描述中生成超過5分鐘的vlogs，而不會影響劇本和演員的視頻連貫性。
GIthub:https://github.com/Vchitect/Vlogger
