CogVideo项目中文输入问题的技术分析与解决方案

问题背景

在使用THUDM/CogVideo项目进行视频生成时，许多开发者遇到了一个常见问题：当输入提示词(prompt)为中文时，生成的视频内容与预期不符，呈现出随机性；而使用英文提示词时，则能正常生成符合预期的视频内容。这一现象引起了开发者社区的广泛关注。

技术原理分析

CogVideo作为基于大规模预训练的视频生成模型，其核心架构设计主要针对英文输入进行了优化。模型在训练过程中使用的语料库主要是英文文本，因此对英文提示词的理解和转换能力更强。当输入非英文文本时，模型无法直接有效地解析语义信息，导致生成结果出现偏差。

问题重现与验证

通过对比实验可以清晰地观察到这一现象：

1. 中文输入场景：

{
    "prompt": "一个时髦的女人走在东京的街道上...",
    "converted_prompt": "",
    "num_inference_steps": 50,
    "guidance_scale": 6.0
}

这种情况下生成的视频内容往往与提示词无关，呈现随机性。

2. 英文输入场景：

{
    "prompt": "A stylish woman walks down a Tokyo street...",
    "converted_prompt": " ",
    "num_inference_steps": 50,
    "guidance_scale": 6.0
}

这种情况下模型能够正确理解提示词并生成符合描述的视频内容。

解决方案

针对中文输入问题，项目团队提供了明确的解决方案：

1. 提示词转换机制：原始代码中包含的convert_prompt函数正是为了解决这一问题而设计。该函数通过大型语言模型将中文提示词转换为英文，然后再输入给视频生成模型。

2. 实现要点：

• 必须保留并正确使用convert_prompt函数
• 转换后的英文提示词应作为主要输入
• 原始中文提示词仅用于显示和记录

3. 正确实现示例：

with st.spinner("Refining prompts..."):
    converted_prompt = convert_prompt(prompt=prompt, retry_times=1)
    if converted_prompt is None:
        st.error("Failed to Refining the prompt, Using origin one.")

技术建议

1. 对于中文用户，建议在应用层实现双重提示词处理：

   • 用户界面接受中文输入
   • 后端自动转换为英文后再调用模型API

2. 性能优化考虑：

   • 可以缓存常见中文提示词的英文翻译结果
   • 对于专业领域术语，建议预先准备标准英文翻译

3. 错误处理：

   • 实现转换失败的回退机制
   • 提供转换过程的透明度和可解释性

总结

CogVideo项目目前仅支持英文提示词输入是出于模型架构和训练数据的限制。通过合理的提示词转换机制，开发者完全可以构建支持中文输入的视频生成应用。这一解决方案不仅适用于CogVideo，对于其他类似的多模态生成模型也具有参考价值。未来随着多语言支持能力的增强，这类问题有望得到根本性解决。