Meta 最近发布了一款面向创作者的新视频编辑应用,名为 Edits。该新应用旨在与 ByteDance 的 CapCut(一款流行的短视频编辑应用,为众多创作者所使用)一较高下。
Meta 最初于 1 月透露正在开发 Edits,当时由于 TikTok 禁令一度生效,ByteDance 所属的 CapCut 被从美国应用商店下架。尽管该应用现已恢复上线,并可以下载,但 TikTok 在美国的未来仍不明朗,因此 Meta 准备好借助新 Edits 应用,在未来 CapCut 可能缺席的情况下抢占市场。
我们制作了本指南,带你全面了解该应用及其各种功能,并对其与 CapCut 的区别进行概览。
【如何开始使用该应用】
Edits 可在 iOS 和 Android 平台下载。下载并打开应用后,你需要使用 Instagram 账户登录。
登录后,你将看到五个主要标签: Ideas、Inspiration、Projects、 Record 和 Insights。 Ideas 标签为创作者提供了记录新视频创意以及将 Reels 保存到合集中的空间,而 Inspiration 标签则是专为发现流行音频和其他热门 Reels 而设的中心。
Projects 标签用于存储和重温创作者当前正在制作的视频,同时也支持从手机相册上传视频。 Record 标签则允许创作者直接在 Edits 内录制视频内容。最后,Insights 标签通过展示观看次数、覆盖人数和粉丝数量等数据,为创作者提供内容表现的整体概览。
【Edits 提供的工具与功能】
绿幕功能:轻轻一点,即可更换并编辑视频背景。
时间轴:精确排列和调整视频片段。
字幕:为视频添加多语言自动生成的字幕。
音频库:从 Instagram 的音频库中为视频添加音乐。
分割抠像:通过精准跟踪隔离特定对象。
动画效果:利用 AI 将静态图像转换为视频。
一键应用:一键为所有片段应用滤镜、效果、转场及各种调整。
时间轴帧率选择器:将视频转换为所需帧率,以提升播放的流畅度。
对齐辅助线:确保发布视频时观众能看到关键部分,并能准确定位文本、表情符号或其他元素。
节拍标记:自动检测并添加节拍标记,帮助你在编辑时将视频片段、文本和叠加效果与音频完美对齐。
滤镜:从 30 种不同滤镜中选择,为视频增添独特风格。
转场效果:提供 30 种转场效果,实现视频片段之间的无缝衔接。
【Edits 与 CapCut 有何不同?】
尽管 Edits 与 CapCut 都是出色的短视频编辑工具,但两者之间仍存在若干差异。
首先,CapCut 提供的编辑选项(包括丰富的 AI 功能)比 Edits 更为强大。当然,这也符合预期,因为 Edits 相较于 CapCut 尚属较新产品。预计 Meta 在未来数月甚至数年内会持续对 Edits 进行功能拓展,从而推出更多高级功能。此外,需要注意的是,CapCut 拥有比 Edits 更为丰富的音乐库。
另一处区别在于,目前 Edits 尚未提供订阅服务(暂时如此),而 CapCut 已设有订阅制。虽然 CapCut 提供免费版,但其部分高级工具需要付费解锁。Edits 现阶段为免费使用,但这一状况可能会在未来发生变化,正如 Instagram 负责人 Adam Mosseri 所言,Edits 后续版本可能会加入付费功能。
此外,虽然 CapCut 可在网页端使用,但目前 Edits 仅限于移动端,尽管未来可能会对此做出改变。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。