Dar prieš porą metų AI sugeneruotas vaizdo įrašas atrodė kaip kažkoks eksperimentinis burbulas – keli sekundžių trukmės klipai su iškraipytomis rankomis, plaukiojančiais objektais ir bendra „kažkas čia negerai” nuojauta. Šiandien situacija pasikeitusi iš esmės. Modeliai tokie kaip Sora, Kling ar Runway Gen-3 generuoja vaizdo įrašus, kuriuos nuo tikrai nufilmuotos medžiagos atskirti gali tik įdėmiai žiūrint, o kartais – net ir tada nepavyksta. Tai jau nebe žaisliukas technologijų entuziastams, o rimtas įrankis, kuriuo naudojasi rinkodaros specialistai, kino kūrėjai, žaidimų studijos ir net paprasti youtuberiai, ieškantys būdo greičiau paruošti turinį.
Kaip mašina „sugalvoja” judesį
Norint suprasti, kodėl šie įrankiai staiga tapo tokie geri, verta trumpai pažvelgti į techninę pusę. Dauguma šiuolaikinių vaizdo generavimo modelių remiasi diffusion architektūra – ta pačia principine idėja, kuri stovi už DALL-E ar Midjourney, tik pritaikyta laiko dimensijai. Modelis mokosi ne tik atkurti vieną vaizdą iš triukšmo, bet ir išlaikyti nuoseklumą tarp kadrų – kad objektas, kuris kadre nr. 1 buvo raudonas automobilis, kadre nr. 48 nevirstų mėlynu dviračiu.
OpenAI su Sora pademonstravo dar vieną svarbų žingsnį – vadinamąjį „spacetime patches” metodą, kai vaizdo įrašas skaidomas į erdvės-laiko blokelius, panašiai kaip tekstas skaidomas į tokenus kalbos modeliuose. Tai leidžia sistemai apdoroti skirtingos trukmės ir rezoliucijos klipus vienu ir tuo pačiu modeliu, o ne treniruoti atskirus variantus kiekvienam formatui. Būtent dėl to naujausi modeliai geba išlaikyti fizikos logiką – vanduo teka žemyn, šešėliai juda kartu su šviesos šaltiniu, atspindžiai veidrodyje atitinka tai, kas vyksta priešais jį. Anksčiau tai buvo silpniausia vieta, dabar – vienas iš įspūdingiausių aspektų.
Kas šiandien dominuoja rinkoje
Įrankių pasirinkimas išaugo per pastaruosius metus neįtikėtinai greitai, todėl verta atskirti kelias stovyklas.
- Runway Gen-3 Alpha – vienas iš pionierių šioje srityje, dabar orientuotas į profesionalius kūrėjus. Turi patogią sąsają su vaizdo redagavimo funkcijomis, kamera valdymu, motion brush įrankiu, kuriuo galima nurodyti, kuri vaizdo dalis turėtų judėti.
- OpenAI Sora – ilgai buvo pasiekiama tik ribotai auditorijai, dabar integruota į ChatGPT Plus/Pro planus. Generuoja iki minutės trukmės klipus, pasižymi ypač geru fizikos supratimu ir gebėjimu sujungti kelis scenos elementus logiškai.
- Kling AI (Kuaishou) – kinų kompanijos produktas, kuris nustebino Vakarų rinką savo kokybe. Ypač stiprus žmonių judesio ir veido mimikos generavime, dažnai lenkia konkurentus realistiškumu.
- Luma Dream Machine – patogus, greitas, gerai tinka trumpiems, atmosferiškiems klipams. Populiarus tarp turinio kūrėjų dėl paprastumo.
- Pika Labs – orientuotas į kūrybiškesnius, stilizuotus efektus, populiarus tarp trumpo formato turinio kūrėjų TikTok ir Instagram platformose.
Verta pastebėti tendenciją – kinų kompanijos (Kling, Hailuo/MiniMax, Vidu) šiuo metu technologiškai nei kiek neatsilieka nuo amerikietiškų analogų, o kai kuriais aspektais – žmonių judesio natūralumu – juos ir lenkia. Konkurencija šioje srityje tapo tikrai globali.
Kur tai realiai pritaikoma, o ne tik demonstruojama
Didžiausias klausimas, kurį verta užduoti bet kuriai naujai technologijai – kur ji sukuria realią vertę, o ne tik gražius demo video YouTube kanaluose. AI vaizdo generavimas jau dabar sprendžia keletą konkrečių problemų.
Rinkodaros komandose tai leidžia greitai paruošti storyboard’us ar net galutinius trumpus reklaminius klipus be brangaus filmavimo dienos organizavimo. Vietoj to, kad samdytum operatorių, aktorius ir nuomotum lokaciją vienam 15 sekundžių socialinių tinklų klipui, dabar galima sugeneruoti kelis variantus per valandą ir pasirinkti geriausią.
Kino ir animacijos industrijoje AI naudojamas kaip previzualizacijos įrankis – režisieriai gali greitai patikrinti, kaip atrodys scena prieš investuojant į brangų filmavimą su tikra įranga. Kai kurie nepriklausomi kūrėjai jau eksperimentuoja su pilnais trumpametražiais filmais, kur visa vizualinė medžiaga sugeneruota, o žmogaus darbas sutelktas į scenarijų, montažą ir garso dizainą.
E-komercijoje produktų pristatymo video kūrimas tampa žymiai pigesnis – nereikia siųsti prekės į studiją, samdyti fotografo, jei galima sugeneruoti realistišką produkto sukimąsi ar naudojimo sceną. Nors čia dar yra apribojimų, susijusių su tikslaus produkto atkūrimu (apie tai – kitame skyriuje).
Kur technologija dar bukstelėja
Būtų nesąžininga piešti vien rožinį paveikslą. Yra keletas dalykų, kurie kol kas trukdo AI vaizdo generavimui tapti universaliu sprendimu.
Pirmiausia – tikslumo problema. Jei reikia sugeneruoti video su konkrečiu, jau egzistuojančiu produktu (pavyzdžiui, tavo firmos batelių modeliu), modelis dažniausiai sukurs kažką panašaus, bet ne identiško. Logotipai iškraipomi, tekstas ekrane dažnai virsta beprasme raidžių koše, o smulkūs detalės, tokios kaip rankų pirštai ar sudėtingi mechanizmai, vis dar kartais „plaukioja”.
Antra – ilgio apribojimas. Dauguma modelių vis dar generuoja klipus iki 10-20 sekundžių, ilgesniems reikia arba jungti kelis segmentus (kas sukuria nuoseklumo problemų tarp jų), arba naudoti brangesnius premium planus. Sora galimybė generuoti minutės trukmės vaizdą yra išimtis, bet ir tai – toli nuo pilnametražio filmo.
Trečia, ir gal svarbiausia – skaičiavimo kaina. Vaizdo generavimas reikalauja žymiai daugiau GPU resursų nei teksto ar net vaizdo generavimas, todėl kokybiškų klipų kūrimas didelėmis apimtimis vis dar kainuoja nemažai. Tai keičiasi, bet lėčiau nei norėtųsi.
Ir, žinoma, etinis bei teisinis klausimas – autorių teisės į treniravimo duomenis, deepfake rizika, galimybė kurti dezinformacinį turinį. Šitas klausimas dar toli gražu neišspręstas nei technologiškai, nei teisiškai, ir tikriausiai bus aktualus dar ne vienerius metus.
Praktiniai patarimai tiems, kas nori pradėti eksperimentuoti
Jei nusprendei išbandyti AI vaizdo generavimą pats, keletas dalykų, kuriuos verta žinoti iš karto, kad nešvaistytum laiko ir kreditų.
- Prompt’ą rašyk kaip režisierius, ne kaip poetą. Vietoj bendro „gražus saulėlydis prie jūros” parašyk konkrečiai: kameros kampas, judesio kryptis, apšvietimas, laikas. Pavyzdžiui: „Wide shot, camera slowly panning right, golden hour lighting, waves crashing on rocky shore, seagulls flying in background”. Kuo tikslesnis techninis aprašymas, tuo nuspėjamesnis rezultatas.
- Pradėk nuo statinio vaizdo. Dauguma įrankių (Runway, Kling, Luma) leidžia įkelti pradinę nuotrauką ir tik tada animuoti ją. Toks metodas duoda žymiai geresnę kontrolę nei generavimas nuo nulio – gali naudoti Midjourney ar kitą vaizdo generatorių pirmam kadrui sukurti, o tada „atgaivinti” jį.
- Negeneruok pilno klipo iš karto. Verta sugeneruoti kelis trumpus variantus ir pasirinkti geriausią pradinį kadrą, o tik tada tęsti generavimą iš jo. Taip taupomi kreditai ir laikas.
- Vengti sudėtingos rankų ir pirštų animacijos. Kol kas tai silpniausia visų modelių vieta. Jei įmanoma, kadruok taip, kad rankos nebūtų pagrindinis dėmesio centras.
- Naudok „negative prompt” funkciją, jei ji prieinama – tai leidžia nurodyti, ko nenori matyti (pvz., iškraipymų, papildomų galūnių, tekstūros artefaktų).
- Testuok skirtingus modelius tam pačiam promptui. Kadangi kiekvienas modelis turi savo stipriąsias puses (Kling – žmonių judesiui, Runway – kameros kontrolei, Luma – atmosferiniams kadrams), verta neapsiriboti vienu įrankiu.
Vietoj taško – kur link viskas rieda
Jeigu reikėtų vienu sakiniu apibūdinti šios srities būklę – tai technologija, kuri per pastaruosius 18 mėnesių padarė didesnį šuolį nei per ankstesnius penkerius metus kartu paėmus. Ir tempas nerodo lėtėjimo ženklų. Kompanijos jau kalba apie interaktyvų vaizdo generavimą realiu laiku – įsivaizduok žaidimą, kurio pasaulis generuojamas „on the fly”, reaguojant į tavo veiksmus, be jokio iš anksto sukurto turinio. Google savo Genie ir panašūs projektai jau demonstruoja pirmuosius tokios ateities kontūrus.
Kita svarbi kryptis – vaizdo ir garso generavimo sujungimas. Šiuo metu dauguma vaizdo modelių negeneruoja garso lygiagrečiai, todėl reikia atskirai pridėti muziką, garso efektus ar balsus. Kai šios dvi sistemos susilies į vieną darbo eigą (o pirmieji ženklai tai rodo – žr. Google Veo eksperimentus su integruotu garsu), montavimo procesas taps dar paprastesnis.
Tiems, kurie svarsto, ar verta investuoti laiką mokantis šiuos įrankius dabar, ar palaukti, kol viskas „nusistovės” – atsakymas paprastas: mokykis dabar. Ne todėl, kad rytoj viskas taps tobula, o todėl, kad kiekvienas mėnuo praktikos su prompt’ų rašymu, kamerų kontrolės logika ir modelio kaprizais duoda pranašumą prieš tuos, kas dar tik ruošiasi pradėti. Technologija keisis, bet įgūdis suprasti, ką ir kaip paprašyti mašinos, liks aktualus nepriklausomai nuo to, koks modelis dominuos rinkoje po metų. Kaip ir su bet kuriuo įrankiu – ne pats galingiausias modelis laimi, o tas, kuris jį geriausiai supranta ir moka juo naudotis.
