DotDraw

Transformer Architecture Explained Video

GalleryCreate your own
User
we want to build a video that a professor tell about transformer architecture about deeplearning。you design the scene，and talk about with me
Domi

Let我先加载视频创作的技巧指南，然后我们来一起设计这个场景。

好的，我来设计几个场景方案，我们一起讨论。

🎬 Transformer Architecture 讲解视频 — 场景设计

由于当前视频引擎支持 4–15秒的单镜头，我们需要设计一个最有力的核心画面。以下是我构思的几个方向：

方案 A：现代阶梯教室

  • 场景：大学阶梯教室，柔和的暖光从窗户洒入
  • 人物：一位穿着商务休闲装的教授（约40-50岁），站在讲台旁
  • 视觉辅助：身后大屏幕展示经典的 Transformer 架构图（"Attention is All You Need" 那张标志性图）
  • 动作：教授侧身指向屏幕上的 Self-Attention 模块，手势有力
  • 镜头：缓慢推进，聚焦教授和图表
  • 氛围：权威、专业、学术感强

方案 B：未来感演播室 / 全息投影

  • 场景：简洁的深色背景演播室，聚光灯打在教授身上
  • 人物：教授站在中央，周围环绕着半透明的全息 3D Transformer 模型
  • 视觉辅助：发光的数据流在 Multi-Head Attention 层之间穿梭
  • 动作：教授伸手触碰全息图，注意力权重的连线随之亮起
  • 镜头：环绕慢转 + 轻微推进
  • 氛围：科技感强、视觉震撼、像 TED 大会

方案 C：学术办公室 / 白板手绘

  • 场景：教授的私人办公室，木质书架、满墙论文
  • 人物：教授坐在白板前，手里拿着记号笔
  • 视觉辅助：白板上手绘的 Encoder-Decoder 结构和 Attention 公式
  • 动作：教授边说边在白板上圈出 Q、K、V 三个向量
  • 镜头：缓慢推进，略带景深虚化背景
  • 氛围：亲切、深入、像导师一对一辅导

方案 D：TED 风格舞台

  • 场景：暗色背景 + 大聚光灯，极简舞台
  • 人物：教授站在舞台中央，背后巨型弧形屏幕
  • 视觉辅助：屏幕上动态展示 Transformer 各层的激活热力图
  • 动作：教授走动讲解，手势朝向屏幕
  • 镜头：从远景缓慢推向中景
  • 氛围：高端、正式、演讲感

🤔 需要一起确定的几个细节：

  1. 你倾向哪个场景方向？ 还是想混搭？
  2. 教授形象：性别、年龄段、种族偏好？（AI 生成有时对面部一致性有限，但我们可以尽量定方向）
  3. 视频用途：是 YouTube/B站 教程、课程片头、社交媒体短视频？这会影响画面比例（16:9 横屏 vs 9:16 竖屏）和时长
  4. 是否需要语音/对白？ 如果教授需要开口说话（比如 "Today we'll explore the Transformer architecture..."），我可以开启音频生成
  5. 风格基调：更偏写实纪录风格，还是稍微艺术化/电影感？

告诉我你的想法，我们一起敲定最佳方案！

User
he should use blackboard
Domi

好的！黑板是一个很棒的选择 —— 手写板书非常有学术氛围，也和 Transformer 架构的数学美感很搭。

让我把场景细化一下：

🎬 精炼场景：黑板前的教授

环境

一间经典的大学教室或研究室，光线从侧面窗户柔和地洒入。一块深绿色/黑色的大黑板占据画面主体，上面已经用白色和彩色粉笔画好了 Transformer 架构图 —— 可以看到 Encoder-Decoder 结构、Self-Attention 的连线，以及 Q/K/V 的标注。

人物

一位男性教授（约 40-55 岁），穿着深色毛衣或衬衫，戴或不戴眼镜，气质沉稳自信。他站在黑板前，手里拿着粉笔。

动作

教授转身面向黑板，用粉笔在 Attention 模块旁写下 "Attention" 这个词，然后转身面向镜头（观众），自信地讲解，同时用手势指向黑板上的架构图。数据流动的视觉效果可以从黑板上的连线中微微闪烁亮起。

镜头

从教授侧后方缓慢推进，逐渐转到正面中景，聚焦教授和板书内容。

还需要确认几件事：

  1. 画面比例：横屏 16:9（适合 YouTube / B站）还是竖屏 9:16（适合抖音 / Reels / Shorts）？
  2. 时长：你想要多长？5秒（紧凑有力）还是 10-15秒（更从容）？
  3. 语音对白：教授是否需要开口说话？比如 "Today, let me explain the Transformer architecture..." —— 如果需要，我可以开启音频同步生成。
  4. 板书内容偏好：黑板上画什么？选项有：
    • 经典的 Encoder-Decoder 全架构图
    • 重点画 Self-Attention + Multi-Head 的局部放大
    • 数学公式为主（Attention(Q,K,V) = softmax(QKᵀ/√dₖ)V）
    • 或者混合：架构图 + 关键公式

你定了这些，我就可以开始生成了！

User
you need to generate some video frames first
Domi

好的！先生成关键帧图像，这样我们可以在视频生成前确认画面效果。让我来创建这个场景的核心帧。

这张效果很不错！来看看细节：

✅ 画面评估

人物：一位戴眼镜、穿深色毛衣的中年男性教授，手持粉笔，气质沉稳自信 —— 非常符合预期。

黑板内容：板书信息量很丰富，包含：

  • 顶部标题 "TRANSFORMER ARCHITECTURE"
  • 左侧：Encoder 结构（Add & Norm、Feed Forward、Multi-Head Self-Attention）
  • 中间：Self-Attention 的 Q/K/V 连线图
  • 经典公式 Attention(Q,K,V) = softmax(QKᵀ/√dₖ)V
  • 右侧：Decoder 完整结构

光线与氛围：侧窗自然光 + 暖色调，学术感很强。

接下来的步骤

这张图可以作为视频的起始帧（first frame），用来驱动视频生成。在生成视频之前，还需要你确认几点：

  1. 画面比例 —— 16:9 横屏（YouTube/B站）还是 9:16 竖屏（抖音/Reels）？
  2. 时长 —— 5秒（紧凑）还是 10-15秒（更从容地展示动作）？
  3. 教授是否需要开口说话？如果需要，他说什么？比如：

    "The Transformer — attention is all you need."

  4. 你对这张画面满意吗？ 如果需要调整（教授形象、黑板内容、光线等），我可以先修改再生成视频。

告诉我你的决定，我们马上推进！

User
15s ，you should design the talking
Domi

好的！我来设计教授的台词，配合 15 秒的画面节奏。

🎙️ 教授台词设计

我设计了几个版本供你选择：

版本 A：经典权威型

"Self-attention — every word connects to every other word, capturing relationships that recurrence never could. This architecture powers GPT, BERT, and all of modern AI. Attention... is all you need."

约 30 词，节奏从容，结尾有经典引用的停顿感。

版本 B：激昂讲解型

"Let me show you what changed everything. Self-attention allows every token to attend to every other — no recurrence, no convolution, just attention. This is the Transformer."

约 28 词，开头有引导感，语气更有力。

版本 C：沉稳引言型

"For years, sequence models relied on recurrence. Then came the Transformer — self-attention lets every position look at every other simultaneously. One paper, one idea: attention is all you need."

约 35 词，有历史纵深感，适合严肃学术风格。

我个人推荐 版本 A —— 它节奏好、有经典名句收尾、15 秒刚好说得完，而且 "Attention... is all you need" 这句话本身就是 Transformer 论文的标题，有很强的辨识度。

你选哪个版本？或者你想修改台词内容？定了之后我马上生成视频。

✓

Which script do you prefer for the professor's dialogue?

User
the words is less
Domi

明白了！你想让台词内容更充实。15 秒的自然语速大约能说 40-45 个英文词，让我写一版信息量更大的：

升级版台词

"The Transformer uses self-attention as its core mechanism. Every token computes Query, Key, and Value vectors, then attends to every other token in the sequence — capturing deep contextual relationships in parallel. No recurrence, no hidden states. This is the architecture behind GPT, BERT, and every large language model you know today."

44 词，覆盖了：

  • 核心机制（Self-Attention）
  • Q/K/V 三向量概念
  • 并行优势（vs RNN 的序列瓶颈）
  • 实际应用（GPT / BERT / LLM）

和你黑板上画的内容完美对应 —— 讲的时候观众能看到板书上的 Q、K、V、Attention 公式，视听同步。

满意的话我马上生成视频！还是你想再调整内容？

User
ok
Domi

好的！开始生成视频。15 秒，教授在黑板前讲解 Transformer 架构，带同步对白。

视频已提交生成，正在渲染中 ⏳

配置：16:9 横屏 · 720p · 15秒

⚠️ 重要提醒：你当前选择的视频引擎是 Grok，它不支持唇形同步音频（lip-sync）—— 视频画面中教授会有讲解的动作和手势，但不会有声音输出。

如果你需要教授开口说话 + 同步语音，建议切换到 Seedance 2.0 引擎，我可以重新生成带完整音频的版本。

当前这版会先完成渲染，你看看画面动作效果如何，再决定要不要换引擎带语音版本！

Domi

视频已生成完毕！🎬

你可以直接在画布上播放查看效果。这版（Grok 引擎）教授会有转头、指向黑板、手势讲解等动作，画面氛围应该不错，但没有声音输出。

接下来你可以：

  1. ✅ 满意画面 → 我建议切换到 Seedance 2.0 引擎重新生成带唇形同步语音的版本，教授会真正开口说出那44词台词
  2. 🔧 想调整画面/动作 → 告诉我哪里需要改，我可以调整后重新生成
  3. ➕ 想要更多帧/片段 → 我可以继续生成其他角度或场景的镜头

你先播放看看效果如何？

DotDraw creation