据谷歌 DeepMind 新闻稿，DeepMind 近日公布了一项利用 AI 为无声视频生成背景音乐的 "video-to-audio" 技术。
当前 DeepMind 这款 AI 模型依然存在局限性，需要开发者使用提示词为模型预先 " 介绍 " 视频可能的声音，暂时不能直接根据视频画面添加具体音效。
据悉，该模型首先会将用户输入的视频进行拆解，此后结合用户的用户文字提示，利用扩散模型反复运算，最终以生成与视频画面协调的背景声音，例如输入一条 " 在黑暗中行走 " 的无声视频，再添加 " 电影、恐怖片、音乐、紧张、混凝土上的脚步声 " 等文字提示，相关模型就能生成恐怖风格的背景音效。
DeepMind 同时表示，该 "video-to-audio" 模型可以为任何视频生成无限数量的音轨，还能够通过提示词内容判断生成的音频 " 正向性 " 或 " 反向性 "，从而令生成的声音更贴近某些特定场景。
展望未来，DeepMind 表示研究人员正进一步优化这款 "video-to-audio" 模型，计划未来能够让模型直接根据视频内容，无须通过提示词即可生成视频背景音，同时还将改善视频中人物对白的口型同步能力。
