MiniMax Video Agent: Fyrsta Gervigreindin Sem Skrifar, Leikstýrir og Klippir Myndbönd Sjálfstætt

Frá Fyrirmælahönnun til Myndbandsútsetningar

Þróun gervigreindar myndbandsmyndunar hefur fylgt kunnuglegu mynstri. Fyrst kom grunn texta-í-myndband samruni. Síðan varð fyrirmælahönnun að listform, þar sem höfundar lærðu að tilgreina myndavélahreyfingar, lýsingarskilyrði og tímaflæði í sífellt flóknari fyrirmælum. Hver kynslóð líkana krafðist ítarlegri leiðbeininga fyrir betri árangur.

MiniMax's Video Agent snýr þessu sambandi alveg við.

Í stað þess að móta fullkomnu fyrirmælin fyrir hverja upptöku gefur þú yfirlitsbundna skapandi samantekt. Kerfið framkvæmir síðan sjálfstætt:

• Þróar frásagnarbyggingu
• Skrifar senu-fyrir-senu handrit
• Ákvarðar bestu myndsamsetningar
• Býr til hvern myndbandskafla með nýjustu líkönum Hailuo
• Klippir myndir saman með viðeigandi umbreytingum
• Bætir við samstilltum hljóði og tónlist

Þetta er ekki umbúðir utan um núverandi myndbandsmyndun. Þetta er aðgerðakerfi sem tekur skapandi ákvarðanir.

Byggingin Að Baki Sjálfvirkri Sköpun

Video Agent byggir á víðtæku fjölþætta grunni MiniMax. Fyrirtækið, sem rekur leiðandi gervigreindar myndbandavettvang Kína, Hailuo, hefur framkvæmt yfir 370 milljónir myndbandsmyndana. Þessi umfang útvegaði þjálfunargögn til að skilja hvað gerir myndbönd áhrifarík.

Kerfið starfar í gegnum nokkrar samtengdar einingar:

Handritsframleiðslueining: Knúin af tungumálalíkönum MiniMax, umbreytir þessi hluti stuttum lýsingum í skipulögð handrit. Hún skilur frásagnarvenjur, hraða og hvernig senur ættu að flæða saman.

Upptökuáætlunarvél: Þessi eining ákvarðar myndavélahorn, hreyfingarmynstur og sjónrænar samsetningar fyrir hverja senu. Hún dregur úr kvikmyndamálfræði sem lærð var með greiningu á faglegum framleiðslum.

Myndbandssamrunalag: Byggt á Hailuo 2.3, býr þetta til hverja upptöku með persónusamkvæmni og eðlisfræðihermun sem vettvangurinn er þekktur fyrir. Kerfið viðheldur sjálfkrafa sjónrænu samræmi milli upptaka.

Ritstjórnargreind: Síðasta einingin sér um samsetningu, ákvarðar klippupunkta, umbreytingarstíla og hljóðsamstillingu. Hún beitir meginreglum faglegrar klippingar til að skapa samhangandi raðir.

Hvað Video Agent Getur Í Raun

Beta útgáfan styður nokkur framleiðsluverkflæði sem áður kröfðust mannlegrar skapandi stjórnunar:

Kerfið skarar fram úr við efnisgerðir með skýr skipulagsmynstur. Vöruframleiðslur, útskýringarmyndbönd og stuttir frásagnarmyndir passa allar vel við núverandi getu. Tilraunakenndara eða óhlutbundnara efni nýtur enn góðs af hefðbundinni fyrirmælabyggðri myndun.

Hagnýtt Dæmi: Frá Samantekt til Fullkláraðs Myndbands

Til að skilja hvernig Video Agent virkar í reynd, skoðaðu dæmigert verkflæði:

Allt ferlið lýkur á innan við 10 mínútum. Mannlegur höfundur myndi eyða klukkustundum í sömu framleiðslu, jafnvel með aðgang að sömu myndunar tækni.

Samkeppnislandslagið

MiniMax er ekki eitt um að sækjast eftir sjálfvirkri myndbandssköpun, en þau eru fyrst á markaði með viðskiptalega vöru. Samkeppnisstaðan er lærdómsrík:

Nálgun Runway beinist að því að varðveita mannlega skapandi stjórn á meðan tæknileg framkvæmd er sjálfvirknuð. Act-One kerfið þeirra fangar mannleg framföri og þýðir þau í gervigreindarmyndaðar persónur, sem heldur fólki í skapandi ferlinu.

MiniMax veðjar á hið gagnstæða: að fyrir mörg notkunartilvik verður fullkomlega sjálfvirk sköpun verðmætari en samvinna manns og gervigreindar. Markaðurinn mun að lokum ákvarða hvaða nálgun vinnur.

Áhrif á Myndbandshöfunda

Fyrir faglega höfunda breyta sjálfvirk umboð eins og Video Agent starfslýsingunni frekar en að útrýma hlutverkinu. Færnin sem skiptir máli færist frá tæknilegri framkvæmd til:

• Skapandi Stjórnun: Að skilgreina sýnina sem stýrir sjálfvirkum kerfum
• Gæðamat: Að meta gervigreindarúttak gegn listrænum stöðlum
• Endurtekningarstefna: Að vita hvenær á að betrumbæta samantektir gegn því að grípa inn handvirkt
• Áhorfendaskilningur: Að þýða þarfir áhorfenda í áhrifaríkar samantektir

Höfundarnir sem dafna verða þeir sem læra að stjórna gervigreindarkerfum á áhrifaríkan hátt, rétt eins og leikstjórar lærðu að vinna með nýjum kvikmyndatækniframförum í gegnum kvikmyndasöguna.

Tæknilegar Hugleiðingar

Nokkrar byggingarákvarðanir gera Video Agent mögulegt:

Stigveld Áætlanagerð: Í stað þess að mynda myndbönd ramma-fyrir-ramma starfar kerfið á mörgum sviðsstigum. Háþróaðar frásagnarákvarðanir upplýsa miðstigsupptökuáætlanagerð, sem stýrir lægri stigs myndun. Þetta endurspeglar hvernig mannlegar framleiðslur virka.

Samkvæmnisbúnaður: Persónusamkvæmnitækni MiniMax, kynnt í Hailuo 2.3, reynist nauðsynleg hér. Án stöðugra persónuútlita milli upptaka myndi sjálfvirk klipping framleiða ójafnar niðurstöður.

Gæðahlið: Kerfið inniheldur matseiningar sem meta myndað efni fyrir samsetningu. Upptökur sem standast ekki gæðaþröskulda eru sjálfkrafa endurgerðar, sem viðheldur samkvæmum úttaksstöðlum.

Fyrir þá sem hafa áhuga á undirliggjandi myndbandsmyndunargetunni, veitir samanburður okkar á leiðandi gervigreindar myndbandatólum samhengi um hvernig Hailuo ber saman við aðra valkosti.

Hvað Þetta Þýðir fyrir Iðnaðinn

Video Agent kemur á tímamótum fyrir gervigreindar myndbönd. Tæknin hefur þroskast nóg þannig að takmarkandi þátturinn er ekki lengur myndunar gæði heldur framleiðsluverkflæði. MiniMax viðurkenndi þessa breytingu og byggði í samræmi við það.

Fyrirtækin sem ná árangri í þessum næsta áfanga verða þau sem skilja myndbandsframleiðslu sem verkflæði, ekki sem stakt myndunarverkefni. Snemmbær hreyfing MiniMax inn í sjálfvirka framleiðslu bendir til þess að þau séu að hugsa um rétt vandamál.

Horft Fram á Við

Beta útgáfa Video Agent er líklega aðeins byrjunin. Vegvísir fyrir sjálfvirka myndbandssköpun bendir í átt að:

• ✓Grunn margra sena frásagnarmyndun
• ✓Sjálfvirk stíl- og persónusamkvæmni
• ○Rauntíma samstarfsendurtekningar
• ○Samþætting við ytri eignir og efnistök
• ○Framleiðslugeta í bíómyndarlengd

Breytingin frá verkfærum til umboða táknar grundvallarbreytingu á því hvernig við hugsum um gervigreindar myndbönd. Í stað þess að spyrja "hvernig mynda ég þessa upptöku?" munu höfundar í auknum mæli spyrja "hvernig stjórna ég þessu kerfi til að ná minni sýn?"

Fyrir dýpri skoðun á því hvernig heimslíkön gera þessa breytingu í átt að sjálfvirkum gervigreindarkerfum mögulega, sjá umfjöllun okkar um GWM-1 frá Runway og víðtækara heimslíkanskennd.

Video Agent frá MiniMax kann að vera beta vara, en hún táknar forsýningu á hvert öll iðngreinin stefnir. Spurningin er ekki lengur hvort gervigreind geti myndað myndbönd, heldur hvort gervigreind geti framleitt myndbönd. Svarið er í auknum mæli: já.