Kas iš tikrųjų slepiasi už DI vaizdo įrašų kūrimo?
Dar prieš porą metų mintis, kad dirbtinis intelektas galės sukurti įtikinamą vaizdo įrašą iš kelių teksto eilučių, atrodė kaip mokslinė fantastika. Šiandien tai realybė, ir ji keičia ne tik tai, kaip kuriamas turinys, bet ir tai, kaip mes apskritai suprantame kūrybiškumą. OpenAI Sora ir Google Veo – tai du šiuo metu labiausiai aptarinėjami įrankiai šioje srityje, ir abu jie daro tai, kas dar visai neseniai buvo neįmanoma: generuoja realistiškus, kokybiškus vaizdo įrašus iš paprasto teksto aprašymo.
Bet prieš nerdami į techninius detales, verta suprasti, kodėl tai iš viso svarbu. Vaizdo turinys šiandien dominuoja internete – YouTube, TikTok, Instagram Reels, LinkedIn. Jei anksčiau norint sukurti kokybišką vaizdo įrašą reikėjo kameros, apšvietimo, aktorių, montažo programų ir daugybės valandų darbo, tai dabar teoriškai pakanka geros idėjos ir tinkamo įrankio. Teoriškai – nes praktikoje viskas, kaip paprastai, yra šiek tiek sudėtingiau.
Sora: OpenAI bandymas perrašyti vaizdo kūrimo taisykles
Sora buvo pristatyta 2024 metų pradžioje ir iš karto sukėlė tikrą sąmyšį internete. Pirmieji demonstraciniai vaizdo įrašai – realiai atrodantys žmonės, judantys miestų gatvėmis, gyvūnai gamtoje, sudėtingos scenos su daugybe elementų – atrodė beveik neįtikėtinai. Bet kas tiksliai yra Sora ir kaip ji veikia?
Techniškai Sora naudoja vadinamąjį difuzijos modelį kartu su transformerių architektūra. Paprastai tariant, sistema mokosi iš milžiniško vaizdo duomenų kiekio, supranta, kaip atrodo judėjimas, kaip keičiasi šviesa, kaip objektai sąveikauja tarpusavyje, ir tada geba atkurti šiuos principus generuodama naujus vaizdo įrašus. Sora gali kurti iki 60 sekundžių trukmės vaizdo įrašus su gana aukšta raiška.
Vienas iš Sora stipriųjų aspektų – jos gebėjimas išlaikyti nuoseklumą per visą vaizdo įrašą. Tai skamba trivialiai, bet iš tikrųjų yra milžiniškas techninis iššūkis. Ankstesni DI vaizdo generatoriai dažnai „pamiršdavo” kadrų viduryje, kaip atrodo objektas – personažas galėjo staiga pakeisti išvaizdą, o fonas – visiškai transformuotis. Sora su tuo susitvarko žymiai geriau.
Tačiau yra ir apribojimų. Sora vis dar kartais suklysta su fizikos dėsniais – stiklas gali keistai lūžti, vanduo elgtis nenatūraliai, žmonių rankos turėti per daug pirštų. Be to, prieiga prie Sora ilgą laiką buvo ribota – ji buvo prieinama tik pasirinktiems kūrėjams ir tyrėjams. Platesnei auditorijai ji tapo pasiekiama tik vėliau, integruota į ChatGPT Plus ir Pro planus.
Praktinis patarimas: jei norite gauti geriausius rezultatus su Sora, prompt’ai (tekstiniai aprašymai) turi būti konkretūs ir detalūs. Vietoj „žmogus eina gatve” rašykite „vidutinio amžiaus moteris su raudonu paltu eina apšviesta naktine Tokijo gatve, šalia jos pravažiuoja geltonos taksi, lietus, atspindžiai ant šaligatvio”. Kuo daugiau vizualinių detalių, tuo geresnį rezultatą gausite.
Google Veo: korporacijos atsakas su keletu staigmenų
Google neketino stovėti nuošalyje ir žiūrėti, kaip OpenAI užima šią erdvę. Veo – tai Google DeepMind sukurtas vaizdo generavimo modelis, pristatytas 2024 metais Google I/O konferencijoje. Veo 2, atnaujinta versija, pasirodė vėliau tais pačiais metais ir jau dabar yra laikoma viena iš geriausių alternatyvų Sora.
Kas Veo išskiria iš kitų? Visų pirma – kinematografinė kokybė. Google akcentuoja, kad Veo supranta ne tik tai, ką rodo vaizdo įrašas, bet ir kaip jis turėtų atrodyti kinematografiniu požiūriu. Galite nurodyti kameros judesius – „lėtas priartėjimas”, „panoraminis kadras iš viršaus”, „rankinis kadras” – ir sistema tai interpretuos. Tai labai svarbu kūrėjams, kurie nori ne tik turinio, bet ir tam tikros estetikos.
Veo taip pat demonstruoja geresnį teksto atvaizdavimą vaizdo įrašuose – tai sritis, kur daugelis DI modelių vis dar klumpa. Jei norite, kad vaizdo įraše atsirastų užrašas ar iškaba su konkrečiu tekstu, Veo su tuo susitvarko žymiai geriau nei daugelis konkurentų.
Prieiga prie Veo šiuo metu vyksta per Google VideoFX platformą (Labs eksperimentas) ir per Vertex AI – Google debesų platformą, skirtą verslo klientams. Tai reiškia, kad eiliniam vartotojui Veo kol kas yra mažiau pasiekiama nei Sora, tačiau situacija keičiasi.
Vienas įdomus Veo bruožas – galimybė generuoti vaizdo įrašus remiantis ne tik tekstu, bet ir vaizdu kaip įvestimi. Galite pateikti nuotrauką ir paprašyti, kad sistema „atgaivintų” ją – pridėtų judėjimą, animuotų elementus. Tai atveria visiškai naujų kūrybinių galimybių.
Techniniai skirtumai, kurie iš tikrųjų svarbūs
Kai žmonės lygina Sora ir Veo, dažnai kalbama apie abstrakčius dalykus – „kokybę”, „realizmą”. Bet yra konkrečių techninių parametrų, kurie lemia, kurį įrankį verta naudoti konkrečiam tikslui.
Raiška ir kadrų dažnis: Abi sistemos gali generuoti aukštos raiškos vaizdo įrašus, tačiau detalės skiriasi priklausomai nuo plano ir nustatymų. Sora palaiko iki 1080p raišką, Veo 2 gali pasiekti dar aukštesnę kokybę tam tikrose situacijose.
Vaizdo įrašo trukmė: Sora generuoja iki 60 sekundžių klipus. Veo taip pat dirba su panašios trukmės segmentais, tačiau Google teigia, kad sistema gali generuoti ilgesnius klipus. Abiem atvejais ilgesni vaizdo įrašai reikalauja daugiau laiko ir resursų.
Stilistinis lankstumas: Čia Sora ir Veo elgiasi šiek tiek skirtingai. Sora yra gana universali – ji gali imituoti fotorealistinį stilių, animaciją, tapybą. Veo, atrodo, labiau orientuota į fotorealizmą ir kinematografinę kokybę, tačiau taip pat palaiko įvairius stilius.
Fizikos modeliavimas: Abu modeliai vis dar turi problemų su fizikos tikslumu, tačiau Veo 2, remiantis Google teiginiais ir nepriklausomais testais, šioje srityje veikia šiek tiek geriau. Vandens judėjimas, dūmai, audiniai – visa tai Veo 2 atvaizduoja natūraliau.
Praktiškai: jei dirbate su komerciniu projektu ir jums reikia kinematografinės kokybės su specifiniais kameros judesiais – Veo gali būti geresnis pasirinkimas. Jei norite greito eksperimentavimo ir platesnio stilistinio spektro – Sora suteikia daugiau laisvės.
Kaip tai naudoja realūs kūrėjai ir verslas
Teorija yra gražu, bet kur šios technologijos iš tikrųjų naudojamos šiandien? Atsakymas gali nustebinti – ne tik ten, kur tikėjotės.
Reklamos ir marketingo agentūros yra vienos pirmųjų, kurios aktyviai eksperimentuoja su DI vaizdo kūrimu. Koncepcijų vizualizacija, greitų prototipų kūrimas klientams, socialinių tinklų turinio gamyba – visa tai tampa žymiai greitesnė ir pigesnė. Viena agentūra gali per dieną sukurti dešimtis skirtingų vaizdo variantų A/B testavimui, kas anksčiau buvo tiesiog neįmanoma dėl laiko ir biudžeto apribojimų.
Nepriklausomi kūrėjai ir „YouTuberiai” naudoja šiuos įrankius kaip papildomą kūrybinę priemonę. Pavyzdžiui, dokumentinio stiliaus kūrėjai gali vizualizuoti istorines scenas, kurių negalima nufilmuoti. Muzikos kūrėjai generuoja vaizdo klipus be didelių biudžetų.
Žaidimų industrija žiūri į DI vaizdo kūrimą kaip į potencialų įrankį koncepcijų vizualizacijai ir net kai kurių žaidimo elementų kūrimui. Tai dar tik pradžia, bet kryptis aiški.
Edukaciniai projektai – čia DI vaizdo kūrimas turi milžinišką potencialą. Istorinių įvykių vizualizacija, mokslinių procesų demonstravimas, sudėtingų konceptų aiškinimas per vaizdinį turinį – visa tai tampa pasiekiama net ir mažiems edukacinių projektų kūrėjams be didelių biudžetų.
Praktinis patarimas verslui: nepradėkite nuo bandymo pakeisti visą vaizdo kūrimo procesą. Pradėkite nuo vieno konkretaus use case – pavyzdžiui, socialinių tinklų turinio kūrimo arba vidinių prezentacijų vizualizacijos. Išmokite įrankį, supraskite jo ribas, tada plėskite naudojimą.
Etikos ir autorių teisių labirintas
Negalima kalbėti apie DI vaizdo kūrimą ir ignoruoti klausimų, kurie kelia tikrą galvos skausmą tiek kūrėjams, tiek teisininkams, tiek visuomenei apskritai.
Deepfake problema yra pati akivaizdžiausia. Jei sistema gali generuoti realistiškus vaizdo įrašus, ji gali generuoti ir realistiškus vaizdo įrašus su realiais žmonėmis, kurie niekada nesutiko dalyvauti tokiame turinyje. Tiek OpenAI, tiek Google turi tam tikras apsaugos priemones – jie neleidžia generuoti vaizdo įrašų su atpažįstamais viešais asmenimis be jų sutikimo, tačiau šios priemonės nėra tobulos ir jas galima apeiti.
Autorių teisių klausimas yra dar sudėtingesnis. Šie modeliai buvo apmokyti naudojant milžiniškus vaizdo duomenų rinkinius – ir ne visi to turinio kūrėjai davė sutikimą. Šiuo metu vyksta keletas teisminių bylų, kurios gali iš esmės pakeisti tai, kaip DI modeliai gali būti apmokyti ateityje.
Dezinformacijos rizika yra rimta. Kai vaizdo įrašas nebėra patikimas įrodymas, nes jį galima sugeneruoti per kelias minutes, tai keičia fundamentalų mūsų santykį su vizualiniu turiniu. Jau dabar matome, kaip DI generuotas turinys naudojamas politinėje dezinformacijoje.
Tiek Sora, tiek Veo generuojami vaizdo įrašai turi skaitmeninį vandens ženklą – nematomą metaduomenų žymę, kuri leidžia identifikuoti, kad turinys buvo sukurtas DI. Tačiau šie vandens ženklai gali būti pašalinti arba sugadinti, todėl tai nėra galutinis sprendimas.
Rekomendacija kūrėjams: visada aiškiai nurodykite, kai naudojate DI generuotą turinį. Ne tik dėl etikos – tai taip pat kuria pasitikėjimą su jūsų auditorija ir apsaugo jus teisinėje perspektyvoje.
Prompt inžinerija vaizdo kūrimui: menas, kurio verta mokytis
Jei rimtai galvojate apie DI vaizdo kūrimą, prompt inžinerija – tai įgūdis, į kurį verta investuoti laiko. Skirtumas tarp vidutiniško ir puikaus rezultato dažnai slypi ne modelio galimybėse, o tame, kaip suformuluojate užklausą.
Keletas principų, kurie veikia:
Vizualinis kontekstas pirmiausia. Pradėkite nuo pagrindinės scenos aprašymo – kur vyksta veiksmas, koks apšvietimas, koks laikas. „Saulėlydžio metu, auksinė šviesa, apleistas pramoninis sandėlis” – tai sukuria vizualinį pagrindą, ant kurio sistema statys likusį turinį.
Judėjimas ir dinamika. Vaizdo įrašas skiriasi nuo nuotraukos tuo, kad jame kažkas juda. Aprašykite judėjimą konkrečiai: „lėtas kameros judėjimas iš kairės į dešinę”, „personažas eina link kameros”, „lapai juda vėjyje fone”.
Stilistinės nuorodos. Galite nurodyti konkretų stilių ar nuotaiką: „kinematografinis stilius, panašus į Wes Anderson filmų estetiką”, „dokumentinis stilius, rankinis kadras”, „komercinės reklamos kokybė”. Modeliai supranta šias nuorodas ir stengiasi jas atspindėti.
Negatyvūs prompt’ai. Kai kuriose sistemose galite nurodyti, ko nenorite matyti rezultate. „Jokių tekstų ekrane”, „jokių žmonių fone”, „be dirbtinio apšvietimo” – tai padeda išvengti dažnų problemų.
Iteracija yra normalu. Retai pirmasis bandymas duoda tobulą rezultatą. Generuokite kelis variantus, analizuokite, kas veikia ir kas ne, koreguokite prompt’ą. Tai procesas, o ne momentinis sprendimas.
Kai DI vaizdo kūrimas susitinka su realiu pasauliu: ką tai reiškia toliau
Sora ir Veo yra ne galutinis produktas, o tik pradžia. Modeliai tobulėja neįtikėtinu greičiu – tai, kas šiandien atrodo kaip apribojimas, po metų gali būti išspręsta. Bet verta pagalvoti, kur visa tai veda.
Artimiausioje perspektyvoje tikėtina, kad DI vaizdo kūrimas taps standartiniu įrankiu kūrybinių industrijų arsenale – panašiai kaip Photoshop tapo standartiniu fotografų įrankiu. Tai nereiškia, kad žmonės nebereikalingi – tai reiškia, kad žmonių darbas keičiasi. Vietoj to, kad filmuotumėte ir montuotumėte, jūs galite daugiau laiko skirti idėjoms, koncepcijoms, strategijai.
Ilgesnėje perspektyvoje – čia viskas tampa sudėtingiau. Kai vaizdo kūrimas tampa trivialus, turinys tampa dar labiau perkrautas. Jei kiekvienas gali per minutę sugeneruoti vaizdo įrašą, kaip išsiskirsite? Atsakymas, kaip visada, slypi ne įrankyje, o idėjoje, perspektyvoje, autentiškume.
Technologijų pasaulyje yra tokia tendencija – kiekvieną kartą, kai atsiranda naujas įrankis, kuris „pakeis viską”, jis iš tikrųjų pakeičia kai ką, bet ne viską. DI vaizdo kūrimas pakeis tai, kaip kuriamas turinys, bet neatleis kūrėjų nuo atsakomybės turėti ką pasakyti. Sora gali sugeneruoti įspūdingą vaizdo įrašą, bet ji negali sugeneruoti jūsų unikalios perspektyvos.
Praktinė rekomendacija šiandienai: pradėkite eksperimentuoti dabar. Ne todėl, kad turite iš karto integruoti šiuos įrankius į savo darbo procesą, o todėl, kad supratimas apie tai, kaip jie veikia, ką gali ir ko negali, yra vertingas savaime. Prieiga prie Sora per ChatGPT Plus yra prieinama, Veo per Google Labs taip pat galima išbandyti. Sugaišite valandą, sugeneruosite kelis vaizdo įrašus, ir turėsite žymiai aiškesnį supratimą apie tai, kur ši technologija šiandien yra ir kur ji gali nueiti. O tai jau yra vertinga informacija – nepriklausomai nuo to, ar dirbate technologijų srityje, ar ne.
