CraftStory Model 2.0: کس طرح دو طرفہ ڈفیوژن 5 منٹ کی AI ویڈیوز کو ممکن بناتا ہے

دورانیے کا وہ مسئلہ جو کسی نے حل نہیں کیا

موجودہ AI ویڈیو ماڈلز کے بارے میں حقیقت یہ ہے: یہ میراتھن رنر نہیں، سپرنٹر ہیں۔ آٹھ سیکنڈ کی شاندار فوٹیج بنائیں، پھر اسے بڑھانے کی کوشش کریں، اور آپ کو بصری طور پر ایک الجھا ہوا نتیجہ ملتا ہے۔ خامیاں جمع ہوتی ہیں۔ کردار بدل جاتے ہیں۔ سب کچھ بکھر جاتا ہے۔

روایتی طریقہ کار اس طرح کام کرتا ہے: ایک حصہ بنائیں، آخری چند فریمز کو اگلے حصے کے لیے سیاق و سباق کے طور پر استعمال کریں، انہیں جوڑیں۔ مسئلہ؟ غلطیاں جمع ہوتی ہیں۔ پہلے حصے میں ہاتھ کی قدرے عجیب پوزیشن پانچویں حصے تک ایک عجیب دھبے میں بدل جاتی ہے۔

دو طرفہ ڈفیوژن: تعمیراتی جدت

CraftStory کا حل روایتی طریقہ کار کو الٹ دیتا ہے۔ ترتیب وار تیار کرنے اور بہترین کی امید کرنے کے بجائے، وہ پوری ویڈیو ٹائم لائن پر بیک وقت متعدد چھوٹے ڈفیوژن انجن چلاتے ہیں۔

اسے ناول لکھنے بمقابلہ خاکہ بنانے کی طرح سوچیں۔ ترتیب وار تخلیق پہلا صفحہ لکھنے، پھر دوسرا صفحہ، پھر تیسرا صفحہ لکھنے کی طرح ہے، واپس جانے کی صلاحیت کے بغیر۔ CraftStory کا طریقہ ایک ایسا خاکہ رکھنے کی طرح ہے جہاں دسواں باب یہ بتا سکتا ہے کہ دوسرے باب میں کیا ہونا چاہیے۔

Model 2.0 حقیقت میں کیسے کام کرتا ہے

فی الوقت، CraftStory Model 2.0 ایک ویڈیو سے ویڈیو نظام ہے۔ آپ ایک تصویر اور ایک ڈرائیونگ ویڈیو فراہم کرتے ہیں، اور یہ ایک آؤٹ پٹ تیار کرتا ہے جہاں آپ کی تصویر میں موجود شخص ڈرائیونگ ویڈیو سے حرکات انجام دیتا ہے۔

• ✓حوالہ جاتی تصویر اپ لوڈ کریں (آپ کا موضوع)
• ✓ڈرائیونگ ویڈیو فراہم کریں (حرکت کا سانچہ)
• ✓ماڈل کارکردگی ترکیب کرتا ہے
• ○متن سے ویڈیو مستقبل کی تازہ کاری میں آ رہا ہے

ہونٹ مطابقت کا نظام نمایاں ہے۔ اسے ایک اسکرپٹ یا آڈیو ٹریک دیں، اور یہ ملتے جلتے منہ کی حرکات تیار کرتا ہے۔ ایک علیحدہ اشارہ ترتیب الگورتھم جسمانی زبان کو تقریر کی تال اور جذباتی لہجے کے ساتھ ہم آہنگ کرتا ہے۔ نتیجہ؟ ایسی ویڈیوز جہاں شخص واقعی ان الفاظ کو بول رہا ہو، نہ کہ صرف اپنا جبڑا ہلا رہا ہو۔

آؤٹ پٹ: آپ کو حقیقت میں کیا ملتا ہے

کم ریزولوشن 30 سیکنڈ کی کلپ کے لیے تخلیق تقریباً 15 منٹ لیتی ہے۔ یہ کچھ ماڈلز کی پیش کردہ فوری تخلیق سے سست ہے، لیکن تبادلہ یہ ہے کہ خوبصورت ٹکڑوں کے بجائے جو جڑتے نہیں، مربوط طویل فارم آؤٹ پٹ۔

یہ تخلیق کاروں کے لیے کیوں اہم ہے

5 منٹ کی رکاوٹ من مانی نہیں ہے۔ یہ وہ حد ہے جہاں AI ویڈیو حقیقی مواد کے لیے مفید بن جاتی ہے۔

زیادہ تر کاروباری ویڈیو مواد 2-5 منٹ کی حد میں ہے۔ پروڈکٹ ڈیموز۔ تربیتی ماڈیولز۔ وضاحتی ویڈیوز۔ اندرونی مواصلات۔ یہ وہ جگہ ہے جہاں CraftStory پیشہ ورانہ استعمال کے معاملات کے لیے متعلقہ بن جاتا ہے۔

مسابقتی منظرنامہ

CraftStory نے Wrike اور Zencoder کے بانی Andrew Filev کی قیادت میں 2 ملین ڈالر کی سیڈ فنڈنگ حاصل کی۔ یہ OpenAI اور Google میں بہنے والے اربوں کے مقابلے میں معمولی ہے، لیکن ٹیکنالوجی کو ثابت کرنے کے لیے کافی ہے۔

متن سے ویڈیو کی صلاحیت ترقی میں ہے۔ جب یہ شروع ہوتا ہے، تو قدر کی تجویز واضح تر ہو جاتی ہے: متن میں 5 منٹ کی ویڈیو بیان کریں، فریم بہ فریم معیار کی کمی کے بغیر مربوط آؤٹ پٹ حاصل کریں جو دوسرے ٹولز کو تنگ کرتی ہے۔

آگے کیا ہے

روڈ میپ کی خصوصیات▼

CraftStory نے کئی آنے والی صلاحیتوں کا اعلان کیا ہے:

• متن سے ویڈیو: ڈرائیونگ ویڈیو کے بغیر اشارات سے تخلیق
• متحرک کیمرہ: پین، زوم، اور ٹریکنگ شاٹس
• چلیں اور بات کریں: مقامات جو بولتے ہوئے جگہ میں حرکت کرتے ہیں

دو طرفہ ڈفیوژن کا طریقہ صرف CraftStory کی چال نہیں ہے۔ یہ ایک نمونہ ہے جسے دوسری ٹیمیں ممکنہ طور پر اپنائیں گی۔ جب آپ "غلطیاں آگے جمع ہوتی ہیں" کا مسئلہ حل کر لیتے ہیں، تو طویل تخلیق ایک بنیادی رکاوٹ کے بجائے انجینئرنگ کا چیلنج بن جاتی ہے۔

بڑی تصویر

ہم AI ویڈیو کو اپنے عجیب نوعمری کے مرحلے سے گزرتے ہوئے دیکھ رہے ہیں۔ ماڈلز شاندار 10 سیکنڈ کی کلپس پیدا کر سکتے ہیں، لیکن انہیں منٹوں میں ربط برقرار رکھنے کو کہیں تو وہ ٹوٹ جاتے ہیں۔ CraftStory کا دو طرفہ طریقہ اس مسئلے کا ایک جواب ہے۔

اصل سوال: یہ تکنیک بڑے کھلاڑیوں کے ذریعے کب تک اپنائی جاتی ہے؟ OpenAI، Google، اور Runway سب کے پاس اسی طرح کے فن تعمیرات کو نافذ کرنے کے لیے وسائل ہیں۔ CraftStory کا فائدہ یہ ہے کہ وہ کام کرنے والی طویل فارم تخلیق کے ساتھ مارکیٹ میں پہلی ہے۔

فی الوقت، اگر آپ کو انسانی مقامات کے ساتھ مستقل کثیر منٹ AI ویڈیو مواد کی ضرورت ہے، تو CraftStory ابھی شہر میں واحد کھیل بن گیا ہے۔ دورانیے کی رکاوٹ ابھی ٹوٹی نہیں ہے، لیکن کسی نے اس میں ایک سنجیدہ شگاف ڈال دیا ہے۔