A mesterséges intelligencia nem a következő nagy dolog - ez van
Most is elérhető: a Google Imagen 3 képgenerátorának továbbfejlesztett változata és egy szórakoztató, új kísérlet.
Az OpenAI a hónap elején megemelte a videógenerálási területet, és elérhetővé tette a Sora - a legmodernebb szöveg-videó generátor modelljét - a ChatGPT Plus-felhasználók számára a Sora Turbóval. A Google most arra készül, hogy felvegye a versenyt legfejlettebb videógenerátorának piacra dobásával.
Hétfőn a Google piacra dobta a Veo 2-t, egy szöveg-videó generátort, amely a vállalat korábbi modelljének fejlesztéseivel büszkélkedhet, beleértve a valós világ fizikájának jobb megértését, amely segít a mesterséges intelligencia számára, hogy jobb, részletesebb és valósághűbb generációkat hozzon létre a Google szerint. .
Az elkészített videók akár 4K felbontást is elérhetnek, és a Google szerint megbirkózhatnak a videogenerátorral kapcsolatos gyakori kihívásokkal - beleértve a hallucinációkat, például az extra ujjakat. Az emberi értékelők más vezető videomodellek, köztük a Sora Turbo, a Kiling v1.5 és a Meta Movie Gen összehasonlításában a Veo 2-t választották a legjobbnak az általános teljesítmény és a gyors ragaszkodás tekintetében.
A Veo 2 a filmművészet nyelvezetét is megérti, például egy adott műfajt, objektívet vagy szöget. Például, ha a felhasználó azt mondja, hogy "sekély mélységélesség", a Veo 2 tudja, hogy elmosja a téma hátterét a hatás eléréséhez. Az alábbi videó egy felvétellel készült, amely kifejezetten a következőt írta: "35 mm-es objektívvel Kodak Portra 400 filmen".
A modell nyilvánosan elérhető, és a Google Labs VideoFX-ben érhető el. A korai hozzáférés várólista űrlapja olyan alapvető információkat kér, mint az életkor, a név, a lakóhely, a releváns munka, valamint az, hogy hogyan hallott róla. A Google szerint a beadványokat folyamatosan felülvizsgálják.
A Google azt is megosztotta, hogy továbbfejlesztette Imagen 3 képgeneráló modelljét, hogy "világosabb és jobban megkomponált" képeket hozzon létre. A vállalat szerint a továbbfejlesztett modell változatosabb stílusokat és nagyobb azonnali pontossággal, gazdagabb részletekkel és textúrákkal rendelkező képeket eredményezhet.
Az Imagen 3 ezen verziója a mai naptól a Google Labs ImageFX-en keresztül elérhető a nyilvánosság számára, és a VideoFX-től eltérően nem igényel várólistát. Az Imagen 3 előző verziója már nagyon alkalmas volt, és a ZDNET 2024-es összefoglalójában a legjobb mesterséges intelligencia képgenerátornak számított.
Végül a Google bemutatta a Whisket, egy új kísérletet, amely a Labsban is elérhető. Ezzel az eszközzel a felhasználók létrehozhatnak egy képet - vagy beírhatják a sajátjukat -, és új képpé alakíthatják plüss, gombostű vagy matrica stílusában. Kihasználja az Imagen 3-at és a Gemini-t, és részletes feliratokat készít a képhez, amelyeket az Imagen 3-ba táplál be a végtermékek létrehozásához.