ConsisID是北京大学和鹏城实验室等机构推出的文本到视频（Text-to-Video, IPT2V）生成模型，基于频率分解技术保持视频中人物身份的一致性。模型用免调优（tuning-free）的Diffusion Transformer（DiT）架构，结合低频全局特征和高频内在特征，用分层训练策略生成高质量、可编辑且身份一致性强的视频。ConsisID在多个评估维度上超越现有技术，推动了身份一致性视频生成技术的发展。

ConsisID – 北大联合鹏城实验室等机构推出的文本到视频生成模型 第1张
（图片来源网络，侵删）
ConsisID – 北大联合鹏城实验室等机构推出的文本到视频生成模型 第2张
（图片来源网络，侵删）