دستهبندی نشده
جمینای امنی ۱.۱ فلش؛ ویدیوساز هوشمند تازهٔ گوگل
گوگل دیپمایند نسخهٔ تازهٔ مدل ویدیوساز چندوجهی خود، جمینای امنی ۱.۱ فلش، را با کنترل فریم اول و آخر، تمدید صحنه تا چهل ثانیه و خروجی چهار کی معرفی کرد؛ عرضهای که رقابت بازار ویدیوی هوش مصنوعی را داغتر میکند.
لیست مطالب
۱. جمینای امنی ۱.۱ فلش چیست و چرا این عرضه مهم است؟
جمینای امنی، خانوادهٔ مدلهای چندوجهی گوگل برای تولید و ویرایش ویدیو است که متن، تصویر، صدا و ویدیو را بهصورت یکپارچه پردازش میکند. نسخهٔ تازه با عنوان ۱.۱ فلش، بهجای یک بهروزرسانی کوچک، مجموعهای از تغییرات ساختاری را با خود آورده که مسیر این خانواده از مدلها را از «تولیدکنندهٔ ویدیوی خام» بهسمت «ابزار قابلهدایت برای فیلمسازان و طراحان» میبرد. خود گوگل هم این تغییر رویکرد را بهصراحت اعلام کرده و میگوید هدف، دادن کنترل واقعی به کاربر روی جزئیات صحنه است، نه فقط تولید یک کلیپ تصادفی از روی توصیف متنی.
این عرضه در بازهای اتفاق افتاده که رقابت شرکتهای بزرگ فناوری بر سر ابزارهای تولید ویدیو با هوش مصنوعی به یکی از داغترین جبهههای صنعت تبدیل شده است. برای درک بهتر جایگاه این رقابت در اقتصاد دیجیتال، خواندن مطلب چرا هوش مصنوعی برای کسبوکارها اهمیت دارد میتواند تصویر روشنتری از دلایل سرمایهگذاری سنگین گوگل، اوپنایآی و رقبا در این حوزه بدهد.
۲. از «تولیدکننده» به «هدایتشونده»: فلسفهٔ طراحی مدل تازه
در نسلهای پیشین ابزارهای ویدیوساز، کاربر معمولاً یک توصیف متنی مینوشت و باید منتظر میماند تا مدل خروجی نهایی را تحویل دهد؛ اگر نتیجه دلخواه نبود، تنها راهحل، تولید دوباره از صفر بود. جمینای امنی ۱.۱ فلش این چرخه را میشکند. با افزودن ابزارهایی برای مشخصکردن نقطهٔ شروع، نقطهٔ پایان و مرجعهای تصویری، کاربر میتواند مرحلهبهمرحله روی نتیجه نظارت داشته باشد؛ چیزی شبیه تدوین واقعی در نرمافزارهای فیلمسازی، اما با هدایت زبان طبیعی و تصویر.
رابط برنامهنویسی مکالمهمحور
گوگل این قابلیتها را از طریق یک رابط برنامهنویسی مکالمهای و حالتدار عرضه کرده است؛ به این معنا که تغییرات قبلی روی یک پروژه حفظ میشوند و کاربر میتواند بهجای شروع دوباره، روی همان نسخه ادامه دهد. این معماری برای تیمهای تولید محتوا که باید نسخههای متعدد از یک ایده بسازند، صرفهجویی زمانی قابلتوجهی به همراه دارد.
۳. تمدید صحنه تا ۴۰ ثانیه: چگونه کار میکند؟
مهمترین تفاوت فنی این نسخه، حافظهٔ زمینهای گستردهتر است. مدلهای قبلی برای ادامهدادن یک کلیپ، فقط به فریم پایانی یا حداکثر یک ثانیهٔ آخر نگاه میکردند؛ همین محدودیت باعث میشد نور، رنگ یا حرکت در ادامهٔ صحنه دچار پرش و ناهماهنگی شود. جمینای امنی ۱.۱ فلش اکنون تا ده ثانیه از زمینهٔ پیشین کلیپ را تحلیل میکند و بر همان اساس، بخش بعدی را در قطعات سه تا ده ثانیهای میسازد.
این تمدیدها را میتوان پشت سر هم انجام داد تا مجموع طول صحنه به سقف چهل ثانیه برسد. نتیجهٔ عملی این تغییر، پیوستگی بهمراتب طبیعیتر در حرکت دوربین، نور صحنه و رفتار سوژههاست؛ ویژگیای که برای ساخت تیزرهای تبلیغاتی، صحنههای روایی کوتاه یا محتوای شبکههای اجتماعی که به تداوم بصری نیاز دارند، اهمیت زیادی دارد.
۴. کنترل فریم اول و آخر؛ ابزار تازهٔ فیلمسازان دیجیتال
شاید جذابترین قابلیت این نسخه برای طراحان و فیلمسازان دیجیتال، امکان تعیین فریم اول و فریم آخر یک نما باشد. کاربر تصویر شروع و تصویر پایان صحنه را وارد میکند و مدل مسیر حرکتی میان این دو نقطه، از جمله چرخش دوربین، افکت دالی-زوم یا حتی یک لوپ کامل و بیدرز را خودش تولید میکند. این قابلیت همراه با پشتیبانی از حداکثر سه کلیپ مرجع (هرکدام تا سه ثانیه) برای حفظ تداوم شخصیت و الگوی حرکت، سطحی از کنترل خلاقانه فراهم میکند که پیشتر تنها در نرمافزارهای حرفهای تدوین و انیمیشن ممکن بود.
برای کسانی که میخواهند از همین حالا با نوشتن دستورهای دقیقتر برای چنین ابزارهایی نتیجهٔ بهتری بگیرند، راهنمای نوشتن پرامپت برای مبتدیان نقطهٔ شروع خوبی است، چون بسیاری از اصول نوشتن دستور برای مدلهای متنی، در طراحی صحنه برای مدلهای ویدیویی هم کاربرد دارد.
۵. رزولوشن، قیمت و استراتژی «پیشنویس سریع، نسخهٔ نهایی گران»
جمینای امنی ۱.۱ فلش از چهار سطح کیفیت خروجی پشتیبانی میکند: ۳۶۰p، ۷۲۰p، ۱۰۸۰p و چهار کی. نکتهٔ کلیدی اینجاست که خروجیهای ۱۰۸۰p و چهار کی از طریق ارتقای هوشمند از نسخهٔ پایینتر ساخته میشوند، نه تولید مستقیم؛ همین موضوع باعث شده گوگل یک گردشکار «پیشنویس، سپس نهاییسازی» را تشویق کند. تولید در ۳۶۰p هم تا شصت درصد سریعتر است و هم تنها یکسوم هزینهٔ کیفیت ۷۲۰p را دارد؛ یعنی کاربر میتواند چند نسخهٔ ارزان از یک ایده بسازد، بهترین را انتخاب کند و فقط همان یک نسخه را تا کیفیت نهایی ارتقا دهد.
در قیمتگذاری رسمی، ورودی مدل ۱٫۵۰ دلار به ازای هر یک میلیون توکن (شامل متن، تصویر، ویدیو و صدا) محاسبه میشود و خروجی متنی ۹ دلار و خروجی ویدیویی ۱۷٫۵۰ دلار به ازای هر یک میلیون توکن قیمتگذاری شده که در عمل به نرخی نزدیک به ده سنت برای هر ثانیه ویدیوی ۷۲۰p میرسد. این مدل فقط در ردهٔ پرداختی در دسترس است و نسخهٔ رایگان یا سهمیهٔ رایگان ندارد.
۶. کجا در دسترس است و چه شرکتهایی از آن استفاده میکنند؟
جمینای امنی ۱.۱ فلش هماکنون از چند مسیر در دسترس توسعهدهندگان و کاربران قرار گرفته: رابط برنامهنویسی جمینای و گوگل ایآی استودیو برای توسعهدهندگان، پلتفرم سازمانی گوگل برای مشتریان تجاری، و همچنین اپلیکیشن جمینای و سرویس گوگل فلو برای مشترکان طرحهای پلاس، پرو و اولترا. در میان کاربران اولیهٔ سازمانی، نام شرکتهایی مانند ادوبی (برای موتور فایرفلای)، فیگما (برای ابزار ویو)، جیامآی کلاود و رانوی به چشم میخورد؛ نشانهای از اینکه گوگل این فناوری را نهفقط برای کاربران نهایی، بلکه بهعنوان زیرساخت خلاقانهٔ سایر پلتفرمها هم عرضه کرده است.
همهٔ ویدیوهای تولیدشده با این مدل، مطابق استاندارد سینآیدی گوگل، با یک واترمارک نامرئی اما قابلردیابی نشانهگذاری میشوند تا منشأ محتوای مصنوعی همیشه از طریق ابزارهای تشخیص قابل بررسی باشد؛ گامی که با نگرانیهای رو به رشد دربارهٔ تشخیص محتوای ساختگی همراستاست.
۷. جمینای امنی در برابر رقبا: سورا، رانوی و بازار داغ ویدیوی هوش مصنوعی
بازار ویدیوی هوش مصنوعی این روزها میدان رقابت چند بازیگر اصلی است. سورا، محصول اوپنایآی، و رانوی از شناختهشدهترین رقیبان جمینای امنی بهشمار میروند. مقایسهٔ جداول قیمتی نشان میدهد نرخ جمینای امنی ۱.۱ فلش در کیفیت ۷۲۰p تقریباً همرده نسخههای سبکتر رقباست، در حالی که دامنهٔ کیفیت آن از ۳۶۰p تا چهار کی، گزینههای بیشتری در اختیار کاربر میگذارد. برای آشنایی بیشتر با اوپنایآی بهعنوان یکی از اصلیترین بازیگران این میدان رقابتی، مطلب اوپنایآی چیست در سایت Mr ChatGPT را از دست ندهید.
این رقابت فقط به یک شرکت یا یک محصول محدود نیست؛ الگوی مشابهی را پیشتر در رقابت مدلهای زبانی هم دیده بودیم، جایی که هر عرضهٔ تازه فشار زیادی روی رقبا برای پاسخ سریع میگذارد. برای مروری بر یکی از نمونههای این رقابت، مطلب چتجیپیتی در برابر دیپسیک خواندنی است.
۸. محدودیتهای فعلی مدل که باید بدانید
با وجود پیشرفتهای چشمگیر، جمینای امنی ۱.۱ فلش هنوز محدودیتهای مشخصی دارد. تمدید صحنه فقط از انتهای کلیپ ممکن است و امکان افزودن به ابتدای ویدیو یا درج در وسط آن وجود ندارد. ویدیوهای ورودی که خود مدل نساخته باشد، باید حداکثر ده ثانیه باشند و در صورت تمدید صحنههای گفتاری، مدل دیالوگ تازهای اضافه نمیکند. همچنین کلیپهای مرجع به سه عدد و هرکدام حداکثر سه ثانیه محدود شدهاند و مدل از تنظیماتی مانند دستور سیستمی، دما یا پرامپت منفی پشتیبانی نمیکند. زبان انگلیسی بهطور کامل پشتیبانی میشود، اما عملکرد مدل با زبانهای دیگر از جمله فارسی هنوز بهطور رسمی ارزیابی نشده است.
این محدودیتها یادآور نکتهای مهمتر هستند: هوش مصنوعی مولد، حتی در پیشرفتهترین شکل خود، هنوز جایگزین کامل مهارت انسانی نیست. برای نگاهی واقعبینانه به این موضوع، مطلب پتانسیل و محدودیتهای واقعی هوش مصنوعی را در سایت مطالعه کنید.
۹. این تغییر برای سازندگان محتوای ایرانی چه معنایی دارد؟
برای تولیدکنندگان محتوای فارسیزبان، تیزرسازان و صاحبان کسبوکارهای کوچک، دسترسی به ابزاری با قیمت پایینتر برای پیشنویس و کنترل دقیقتر روی صحنه، یعنی امکان ساخت محتوای تبلیغاتی و شبکههای اجتماعی با هزینه و زمان کمتر. البته نکتهٔ مهم این است که چنین ابزارهایی، جای مهارت طراحی و روایت را نمیگیرند؛ آنها فقط اجرای فنی را سریعتر میکنند. تفاوت میان استفادهٔ هوشمندانه و سطحی از این ابزارها، دقیقاً همان چیزی است که در مطلب توهم هوش مصنوعی؛ توسعهدهندهٔ تنها در برابر مهندس واقعی بهتفصیل بررسی شده است.
برای یادگیری گامبهگام کار با ابزارهای گوگل و سایر پلتفرمهای هوش مصنوعی، میتوانید سری آموزشهای آموزش چتجیپیتی در سایت Mr ChatGPT را دنبال کنید و برای پیگیری آخرین تحولات این حوزه، بخش اخبار هوش مصنوعی را بوکمارک کنید.
سوالات متداول
جمینای امنی ۱.۱ فلش دقیقاً چیست؟
نسخهٔ تازهٔ مدل ویدیوساز چندوجهی گوگل دیپمایند است که امکان تمدید صحنه، کنترل فریم اول و آخر و خروجی تا کیفیت چهار کی را فراهم میکند.
آیا این مدل رایگان است؟
خیر، جمینای امنی ۱.۱ فلش فقط در ردهٔ پرداختی از طریق گوگل ایآی استودیو و رابط برنامهنویسی جمینای در دسترس است و نسخهٔ رایگان ندارد.
چه تفاوتی با نسخهٔ قبلی مدل دارد؟
مهمترین تفاوت، افزایش حافظهٔ زمینهای از یک ثانیه به ده ثانیه، امکان تمدید صحنه تا چهل ثانیه و افزودن کنترل فریم اول و آخر است.
آیا میتوان از این مدل برای محتوای فارسی استفاده کرد؟
عملکرد مدل در زبان انگلیسی کاملاً پشتیبانی و ارزیابی شده، اما گوگل هنوز عملکرد آن را در زبانهای دیگر ازجمله فارسی بهطور رسمی تأیید نکرده است.
