آخرین بروزرسانی در ۱۰ تیر ۱۴۰۵ توسط Dr.Arman
امروزه محتوای ویدئویی به ابزاری حیاتی برای ارتباطات تجاری تبدیل شده است. با این حال تولید ویدئوهای آموزشی همواره فرآیندی پیچیده و هزینهبر بوده است. تکنولوژی جدید گوگل با نام هوش مصنوعی ساخت فیلم مسیر تولید محتوا را برای همیشه تغییر میدهد.
مدل جدید Gemini Omni Flash برای اولین بار در اختیار توسعهدهندگان قرار گرفت. این ابزار از طریق رابط کاربری برنامهنویسی یا همان API عرضه شده است. گوگل با این مدل جدید قصد دارد فرآیند خستهکننده تولید سنتی را بازنویسی کند. در گذشته تولید یک ویدئوی ۹۰ ثانیهای هفتهها زمان نیاز داشت. شما باید تیمی حرفهای استخدام میکردید و چندین مرحله بازبینی را میگذراندید. اکنون تمام این مراحل به یک گفتگوی ساده با هوش مصنوعی تبدیل شده است.
انقلاب در هوش مصنوعی ساخت فیلم با Gemini Omni Flash
گوگل اولین مدل از خانواده جدید Omni را به بازار عرضه کرد. این خانواده با هدف تبدیل هر ورودی به خروجی دلخواه طراحی شده است. تمرکز اولیه این مدل بر روی تولید و ویرایش حرفهای ویدئو قرار دارد. نکته متمایز این ابزار تنها تولید ویدئو از متن نیست. ویژگی اصلی آن قابلیت ویرایش کلیپهای ساخته شده از طریق مکالمه است.
در تحلیلهای اولیه مشخص شد که این مدل پتانسیل بالایی دارد. در ابتدا این ابزار تنها به عنوان یک وسیله مصرفی شناخته میشد. اما با انتشار نسخه API شرایط برای سازمانهای بزرگ تغییر کرد. اکنون تیمهای بازاریابی میتوانند به طور مستقیم از آن استفاده کنند. این مدل باعث یکپارچگی ابزارهای مختلف در یک پلتفرم واحد میشود. تا پیش از این تیمها باید از چندین ابزار مجزا استفاده میکردند.
یک مدل برای اسکریپت و مدلی دیگر برای تصاویر لازم بود. ابزارهای جداگانهای نیز برای همگامسازی لبها و تولید صدا استفاده میشد. این پراکندگی ابزارها باعث افزایش هزینهها و پیچیدگی قراردادها میشد. Gemini Omni Flash تمام این مراحل را در یک مدل ادغام کرده است. این سادگی اولین فاکتوری است که مدیران باید به آن توجه کنند. کاهش تعداد تامینکنندگان به معنای نظارت بهتر بر دادهها است.
ویرایش ویدیویی مبتنی بر هوش مصنوعی و انعطافپذیری در تولید
قابلیت ویرایش گفتگومحور به کاربران اجازه میدهد تغییرات را سریع اعمال کنند. هر دستور جدید بر پایه دستورات قبلی ساخته میشود. یک بازاریاب میتواند نورپردازی صحنه را به راحتی تغییر دهد. همچنین امکان تغییر لباس شخصیتها یا کادربندی مجدد وجود دارد. تمام این کارها بدون نیاز به تولید دوباره ویدئو انجام میشود. این تفاوت اصلی بین فیلمبرداری مجدد و ارسال یک یادداشت ساده است.
مدل ویرایش ویدیویی مبتنی بر هوش مصنوعی از مراجع چندرسانهای پشتیبانی میکند. شما میتوانید تصاویر مرجع یا کلیپهای موجود را به مدل بدهید. مدل از این جزئیات برای تولید خروجی دقیق استفاده میکند. اگر عکسی از یک محصول خاص به آن بدهید، همان را میسازد. مدل به جای ساخت یک شیء فرضی، از ویژگیهای فیزیکی محصول شما استفاده میکند. این سطح از کنترل برای برندهای تجاری بسیار ارزشمند است. لوگوی برند یا مکانهای خاص به راحتی در صحنه جای میگیرند.
گوگل بر روی درک مدل از قوانین فیزیکی تاکید زیادی دارد. این سیستم به خوبی رفتار صحنههای فیزیکی را درک میکند. اگر باران به صحنه اضافه کنید، بازتابها در گودالها دیده میشوند. این ثبات فیزیکی تفاوت بین ویدئوی واقعی و مصنوعی را رقم میزند. درج متن و لوگو نیز از قابلیتهای کلیدی این مدل است. شما میتوانید تابلوهای موجود در صحنه را به زبان دیگری تغییر دهید. حتی امکان قرار دادن لوگوی شرکت بر روی اشیاء وجود دارد.
البته این نتایج همیشه بدون نقص و کامل نیستند. در آزمایشهای پیچیده گاهی ردیابی متن با خطا مواجه میشود. بنابراین بازبینی انسانی قبل از انتشار نهایی ویدئو ضروری است. با این حال برای ویدئوهای آموزشی این قابلیت بسیار کارآمد است. تبلیغاتی که نیاز به جایگذاری لوگو دارند نیز از آن بهره میبرند. ویرایش ویدیویی مبتنی بر هوش مصنوعی سرعت عمل تیمهای خلاق را چندین برابر میکند.
بهینهسازی تولید ویدیوی سازمانی و کاهش هزینههای عملیاتی
تولید ویدیوی سازمانی با Gemini Omni Flash وارد فاز جدیدی شده است. این مدل بر پایه یک API حالتدار (Stateful) فعالیت میکند. این رابط کاربری برای انجام وظایف چند مرحلهای طراحی شده است. هر مرحله ویرایش، اطلاعات نسخه قبلی را با خود حمل میکند. این موضوع باعث میشود تغییرات به صورت منسجم اعمال شوند. توسعهدهندگان میتوانند زنجیرهای از تولیدات را ایجاد کنند. آنها میتوانند سبک ویدئو را از واقعگرایانه به آبرنگی تغییر دهند.
محدودیتهای این مدل نیز باید در بودجهبندی لحاظ شوند. در حال حاضر طول هر کلیپ به ۱۰ ثانیه محدود است. برای ساخت ویدئوهای طولانیتر باید قطعات مختلف را ترکیب کرد. فوتیجهای آپلود شده نیز باید ده ثانیه یا کمتر باشند. گوگل به صراحت اعلام کرده که حفظ ثبات در ویرایشهای طولانی دشوار است. رندر کردن متنهای دقیق همچنان یک چالش باز در صنعت محسوب میشود.
جدول زیر مقایسهای بین هزینههای مدلهای مختلف گوگل ارائه میدهد:
| نام مدل | کیفیت 720p (دلار بر ثانیه) | کیفیت 1080p (دلار بر ثانیه) | کیفیت 4K (دلار بر ثانیه) |
|---|---|---|---|
| Gemini Omni Flash | 0.10 | نامشخص | نامشخص |
| Veo 3.1 Lite | 0.05 | 0.08 | نامشخص |
| Veo 3.1 Fast | 0.10 | 0.12 | 0.30 |
| Veo 3.1 Standard | 0.40 | 0.40 | 0.60 |
همانطور که مشاهده میکنید قیمتگذاری گوگل بسیار تهاجمی است. هزینه یک کلیپ ده ثانیهای حدود یک دلار برآورد میشود. این قیمت رقابتی برای تولید ویدیوی سازمانی بسیار جذاب است. البته محدودیت رزولوشن 720p یک سقف جدی برای کارهای باکیفیت است. برای ویدئوهای تبلیغاتی لوکس مدل Veo گزینه بهتری به نظر میرسد. اما برای آموزشهای داخلی و شبکههای اجتماعی این کیفیت کافی است.
امنیت و حریم خصوصی برای مدیران ارشد فناوری بسیار مهم است. هر ویدئو حاوی واترمارک دیجیتال SynthID است. گوگل همچنین از استانداردهای Content Credentials استفاده میکند. ابزاری برای شناسایی محتوای تولید شده توسط هوش مصنوعی نیز عرضه شده است. گوگل محدودیتهای اخلاقی مشخصی را برای این مدل وضع کرده است. برای مثال تولید لبخوانیهای جعلی از تصاویر افراد ممنوع است. این اقدام برای جلوگیری از ساخت دیپفیکهای مخرب انجام شده است.
با این حال ترجمه صدای ضبط شده به زبانهای دیگر مجاز است. این ویژگی برای بومیسازی محتواهای آموزشی جهانی عالی است. تولید ویدیوی سازمانی با رعایت این چارچوبهای اخلاقی ایمنتر میشود. در ردهبندیهای جهانی این مدل در صدر جدول کیفیت قرار دارد. امتیاز ۱۵۲۷ نشاندهنده برتری آن نسبت به رقبای چینی و آمریکایی است. این موفقیت حاصل تمرکز گوگل بر روی تعامل و سادگی است.
در نهایت Gemini Omni Flash هزینههای تولید را مدیریتپذیر میکند. هر بار ویرایش به معنای پرداخت هزینه تولید جدید است. اما مدل گفتگومحور تعداد تلاشهای هدر رفته را کاهش میدهد. چون مدل زمینه قبلی را حفظ میکند، نیاز به شروع مجدد نیست. این ابزار ویدئو را به یک سند زنده تبدیل کرده است. ویدئوها دیگر فایلهای نهایی و غیرقابل تغییر نیستند. آینده تولید محتوا در دستان مدلهای هوشمند و گفتگومحور است.
منبع:
https://venturebeat.com/technology/googles-gemini-omni-flash-hits-the-api-turning-enterprise-video-production-into-a-conversation
مطالب مرتبط