Nowy model Google Imagen 2 może generować filmy
Nie minęło dużo czasu, odkąd OpenAI pokazało Sorę, która zaimponowała i przestraszyła wiele osób swoją zdolnością do tworzenia (w miarę) realistycznych klipów wideo z podpowiedzi tekstowych. W ciągu ostatnich miesięcy generowanie obrazów AI zostało znacznie udoskonalone, więc jak można się spodziewać, kolejnym naturalnym krokiem jest wideo. Google wprowadza również własne metody generowania wideo, a nowe modele sztucznej inteligencji pod patronatem Imagen 2 również obiecują wielkie rzeczy.
Google wprowadziło Imagen 2, rodzinę modeli w ramach swojej platformy Vertex AI. Google znalazł się pod ostrzałem, ponieważ jego model generowania obrazów w Gemini przypominał pożar śmietnika. Został on usunięty i chociaż Gemini nie zawiera Imagen 2 (przynajmniej nie od razu), zawiera szereg ulepszeń, które czynią go ogólnie lepszym do generowania obrazów, a nawet wideo.
Ulepszenia Imagen 2 obejmują funkcje inpaintingu i outpaintingu, umożliwiające manipulowanie obrazem, takie jak usuwanie niechcianych elementów lub dodawanie nowych komponentów. Najbardziej znaczącą aktualizacją jest jednak wprowadzenie „obrazów z tekstu na żywo”, umożliwiających tworzenie krótkich filmów z wprowadzonego tekstu.
Należy jednak pamiętać, że to nie jest Sora. W porównaniu z istniejącymi narzędziami do generowania wideo, możliwości Imagen 2 mogą być niewystarczające pod względem rozdzielczości i opcji dostosowywania. Musimy zobaczyć, jak dobrze sobie radzi w codziennym użytkowaniu. Jest to również trochę kwestia techniczna, ale generuje „obrazy na żywo”, czyli krótkie, 4-sekundowe klipy. To jednak dopiero początek, który w ciągu najbliższych miesięcy lub lat może posłużyć za podstawę do stworzenia rzeczywistego modelu zamiany tekstu na wideo.
Aby rozwiać obawy związane z deepfakes, Google wykorzystuje technologię SynthID do stosowania kryptograficznych znaków wodnych do obrazów na żywo, mając na celu zapewnienie autentyczności i bezpieczeństwa. Pomimo tego, że Google kładzie nacisk na środki bezpieczeństwa, pozostają pytania o skuteczność jego podejścia i przejrzystość źródeł danych szkoleniowych. Po pierwsze, brak mechanizmu rezygnacji dla twórców, których twórczość może zostać uwzględniona w danych szkoleniowych, może niektórych zdziwić. Ponadto polityka Google dotycząca generatywnej sztucznej inteligencji nie obejmuje obrazów przekształcanych w tekst na żywo, co naraża klientów na potencjalne roszczenia dotyczące praw autorskich.
Będziemy musieli poczekać i zobaczyć, czy Google w jakikolwiek sposób udostępni to publicznie. Być może dowiemy się więcej, gdy pojawi się Google I/O.
Źródło: TechCrunch