Google ਦੇ Gemini Omni ਨੂੰ, ਨਵੇਂ Google Vids ਇੰਟਰਫੇਸ ਰਾਹੀਂ, ਇੱਕ ਪ੍ਰੈਕਟੀਕਲ ਲੈਬ ਟੈਸਟ ਰਾਹੀਂ ਪਰਖਿਆ ਗਿਆ ਸੀ ਤਾਂ ਜੋ ਇਹ ਦੇਖਿਆ ਜਾ ਸਕੇ ਕਿ ਕੀ AI ਤਿੰਨ ਲਗਾਤਾਰ ਵੀਡੀਓ ਐਡਿਟਾਂ ਤੋਂ ਬਾਅਦ ਵੀ ਇੱਕੋ ਵਿਸ਼ੇ (subject-courier) ਨੂੰ ਸਥਿਰ ਰੱਖ ਸਕਦਾ ਹੈ।
ਇਹ ਟੈਸਟ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਜਨਰੇਟਿਵ ਵੀਡੀਓ ਟੂਲ ਵਾਅਦਾ ਕਰਦੇ ਹਨ ਕਿ ਕੋਈ ਵੀ ਸਿਰਫ਼ ਇੱਕ ਟੈਕਸਟ ਕਮਾਂਡ ਨਾਲ ਬੈਕਗ੍ਰਾਊਂਡ ਬਦਲ ਸਕਦਾ ਹੈ, ਲਾਈਟਿੰਗ ਜੋੜ ਸਕਦਾ ਹੈ ਜਾਂ ਪ੍ਰਭਾਵ (effects) ਪਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਕ੍ਰਿਏਟਰ ਲਈ ਇਹ ਵਾਅਦਾ ਸਧਾਰਨ ਹੈ: ਇੱਕ ਰੌਅ (raw) ਕਲਿੱਪ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, “make it rain at night” ਟਾਈਪ ਕਰੋ, ਅਤੇ ਇੱਕ ਵਧੀਆ ਸ਼ਾਰਟ ਵੀਡੀਓ ਪ੍ਰਾਪਤ ਕਰੋ। ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ “ਡ੍ਰਿਫਟ” (drift) ਦੀ ਲੁਕੀ ਹੋਈ ਕੀਮਤ ਦਾ ਪਤਾ ਨਹੀਂ ਲੱਗਦਾ—ਜਿਵੇਂ-ਜਿਵੇਂ AI ਹਰ ਨਵੇਂ ਨਿਰਦੇਸ਼ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਅਸਲ ਵਿਸ਼ੇ ਦੀ ਦਿੱਖ, ਪੋਜ਼ ਜਾਂ ਹਰਕਤ ਹੌਲੀ-ਹੌਲੀ ਬਦਲਦੀ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਦੂਜੀ ਐਡਿਟ ਤੋਂ ਬਾਅਦ ਕੂਰੀਅਰ ਦਾ ਚਿਹਰਾ ਮਾਮੂਲੀ ਜਿਹਾ ਬਦਲ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਅੰਤਿਮ ਵੀਡੀਓ ਗੈਰ-ਪੇਸ਼ੇਵਰ ਲੱਗਦੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਮਹਿੰਗੀ ਮੈਨੂਅਲ ਸਫਾਈ (clean-up) ਦੀ ਲੋੜ ਪੈ ਸਕਦੀ ਹੈ।
ਪ੍ਰਯੋਗ
ਬੇਸਲਾਈਨ ਕਲਿੱਪ (Baseline clip) – ਇੱਕ ਸਟੈਟਿਕ-ਕੈਮਰਾ ਸਟੂਡੀਓ ਸ਼ਾਟ ਜਿਸ ਵਿੱਚ ਇੱਕ ਵਿਅਕਤੀ ਨੇ ਨੇਵੀ ਬਲੂ ਵਿੰਡਬ੍ਰੇਕਰ ਪਾਇਆ ਹੋਇਆ ਹੈ, ਖੱਬੇ ਹੱਥ ਵਿੱਚ ਇੱਕ ਛੋਟਾ ਕਾਰਡਬੋਰਡ ਡੱਬਾ ਫੜਿਆ ਹੋਇਆ ਹੈ, ਅਤੇ ਕੈਮਰੇ ਵੱਲ ਦੋ ਕਦਮ ਵਧ ਰਿਹਾ ਹੈ। ਲਾਈਟਿੰਗ ਇੱਕਸਾਰ ਸੀ, ਬੈਕਗ੍ਰਾਊਂਡ ਸਾਧਾਰਨ ਸੀ, ਅਤੇ ਹਰਕਤ ਸਰਲ ਸੀ।
ਐਡਿਟ ਸੀਕਵੈਂਸ (Edit sequence) – ਇੱਕ ਤੋਂ ਬਾਅਦ ਇੱਕ ਤਿੰਨ ਐਡਿਟ ਕੀਤੇ ਗਏ:
- ਬੈਕਗ੍ਰਾਊਂਡ ਬਦਲਣਾ (Background swap) – ਸਟੂਡੀਓ ਦੀ ਜਗ੍ਹਾ ਰਾਤ ਵੇਲੇ ਮੀਂਹ ਵਾਲੀ ਸ਼ਹਿਰੀ ਸੜਕ ਲਗਾਓ।
- ਲਾਈਟਿੰਗ ਵਿੱਚ ਸੁਧਾਰ (Lighting tweak) – ਕੂਰੀਅਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਨੀਲੀ ਰਿਮ ਲਾਈਟ ਅਤੇ ਦੁਕਾਨ ਦੀ ਖਿੜਕੀ ਤੋਂ ਨਿਕਲਦੀ ਨਿੱਘੀ ਰੌਸ਼ਨੀ ਜੋੜੋ।
- ਵਾਤਾਵਰਣ ਦੀ ਪਰਤ (Atmosphere layer) – ਹਲਕੀ ਮੀਂਹ ਦੀਆਂ ਬੂੰਦਾਂ ਅਤੇ ਭਾਫ਼ ਦੀ ਇੱਕ ਪਤਲੀ ਪਰਤ ਪਾਓ।
ਇੱਕ “ਡਾਇਰੈਕਟ ਕੰਟਰੋਲ” (direct control) ਰਨ ਵਿੱਚ ਤਿੰਨਾਂ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਇੱਕੋ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਜੋੜ ਦਿੱਤਾ ਗਿਆ, ਜਿਸ ਨਾਲ AI ਨੂੰ ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਅੰਤਿਮ ਕਲਿੱਪ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲੀ।
ਇਕਸਾਰਤਾ (consistency) ਨੂੰ ਕਿਵੇਂ ਮਾਪਿਆ ਗਿਆ
ਬਾਰਾਂ ਮਾਪਦੰਡਾਂ (criteria) ਨੇ ਸਕੋਰਕਾਰਡ ਬਣਾਇਆ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਚਾਰ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ:
- ਕੈਰੈਕਟਰ ਸਥਿਰਤਾ (Character stability) – ਚਿਹਰਾ, ਵਾਲ ਅਤੇ ਕੱਪੜੇ ਬਿਲਕੁਲ ਉਹੀ ਰਹਿੰਦੇ ਹਨ।
- ਸੀਨ ਸਥਿਰਤਾ (Scene stability) – ਕੈਮਰਾ ਐਂਗਲ ਅਤੇ ਵਿਸ਼ੇ ਦੀ ਸਥਿਤੀ ਨਿਰਧਾਰਤ ਰਹਿੰਦੀ ਹੈ।
- ਐਡਿਟ ਦੀ ਸ਼ੁੱਧਤਾ (Edit precision) – AI ਕਿਸੇ ਹੋਰ ਚੀਜ਼ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ ਨਿਰਦੇਸ਼ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
- ਸਮੇਂ ਦੀ ਗੁਣਵੱਤਾ (Temporal quality) – ਹਰਕਤ ਦੌਰਾਨ ਕੋਈ ਫਲਿੱਕਰ (flicker), ਵਿਗਾੜ (warping) ਜਾਂ ਜਿੱਟਰ (jitter) ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ।
ਹਰ ਕਲਿੱਪ ਦਾ ਮੁਲਾਂਕਣ ਪਹਿਲੇ ਫਰੇਮ, ਦੋ ਕਦਮਾਂ ਦੀ ਚਾਲ ਦੇ ਵਿਚਕਾਰਲੇ ਹਿੱਸੇ ਅਤੇ ਅੰਤਿਮ ਫਰੇਮ 'ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਕੋਰਿੰਗ ਤੋਂ ਇੱਕ ਸਪੱਸ਼ਟ ਪੈਟਰਨ ਸਾਹਮਣੇ ਆਇਆ।
ਅੰਕੜੇ ਕੀ ਕਹਿੰਦੇ ਹਨ
ਜਦੋਂ ਐਡਿਟ ਇੱਕ ਦੇ ਉੱਪਰ ਇੱਕ ਕੀਤੇ ਗਏ, ਤਾਂ ਸਕੋਰਕਾਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ AI ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ। ਸਿੰਗਲ-ਪ੍ਰੋਂਪਟ ਕੰਟਰੋਲ ਨੂੰ ਵੀ ਉਹੀ ਮੁਲਾਂਕਣ ਮਿਲਿਆ।
ਕੌਣ ਜਿੱਤਦਾ ਹੈ ਅਤੇ ਕੌਣ ਹਾਰਦਾ ਹੈ
ਉਹ ਸਟੂਡੀਓ ਜੋ ਇੱਕ ਸਿੰਗਲ, ਵਿਆਪਕ ਪ੍ਰੋਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਵਧੇਰੇ ਸੁਚਾਰੂ ਵਰਕਫਲੋ ਮਿਲਦਾ ਹੈ। ਜਨਰੇਟਿਵ ਵੀਡੀਓ ਸਿਸਟਮਾਂ ਦੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਇੱਕ ਸਪੱਸ਼ਟ ਇੰਜੀਨੀਅਰਿੰਗ ਚੁਣੌਤੀ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ—ਲਗਾਤਾਰ ਹੋਣ ਵਾਲੇ ਬਦਲਾਅ ਦੌਰਾਨ ਵਿਸ਼ੇ ਦੀ ਇੱਕ ਸਥਿਰ ਲੇਟੈਂਟ ਰਿਪ੍ਰੇਜ਼ੈਂਟੇਸ਼ਨ (latent representation) ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਦੀ ਲੋੜ।
ਵਿਰੋਧੀ ਦਲੀਲ
ਕੁਝ ਉਪਭੋਗਤਾਵਾਂ ਦਾ ਤਰਕ ਹੈ ਕਿ ਹੌਲੀ-ਹੌਲੀ (incremental) ਐਡਿਟਿੰਗ ਵਧੇਰੇ ਰਚਨਾਤਮਕ ਕੰਟਰੋਲ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਤੱਤ ਨੂੰ ਐਡਜਸਟ ਕਰਕੇ, ਉਹ ਅੱਗੇ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ਹਰੇਕ ਪਰਤ ਨੂੰ ਬਾਰੀਕੀ ਨਾਲ ਸੈੱਟ ਕਰ ਸਕਦੇ ਹਨ। ਟੈਸਟ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਸ ਲਚਕਤਾ ਦੀ ਕੀਮਤ ਵਿਜ਼ੂਅਲ ਫਿਡੈਲਿਟੀ (visual fidelity) ਦੇ ਰੂਪ ਵਿੱਚ ਚੁਕਾਉਣੀ ਪੈਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਕ੍ਰਿਏਟਰ ਬਾਰੀਕ ਕੰਟਰੋਲ ਲਈ ਵਿਸ਼ੇ ਵਿੱਚ ਮਾਮੂਲੀ ਬਦਲਾਅ ਸਵੀਕਾਰ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਮੌਜੂਦਾ Gemini Omni ਵਰਕਫਲੋ ਅਜੇ ਵੀ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ
- ਮਾਡਲ ਵਿੱਚ ਸੁਧਾਰ (Model refinements) ਜੋ ਪ੍ਰੋਂਪਟਾਂ ਦੌਰਾਨ ਵਿਸ਼ੇ ਦੇ ਲੇਟੈਂਟ ਕੋਡ ਨੂੰ ਲਾਕ ਕਰਦੇ ਹਨ।
- ਯੂਜ਼ਰ-ਫੀਡਬੈਕ ਲੂਪਸ (User-feedback loops) ਜੋ ਕ੍ਰਿਏਟਰਾਂ ਨੂੰ ਡ੍ਰਿਫਟ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਅਤੇ ਵਿਸ਼ੇ ਨੂੰ “re-anchor” ਕਰਨ ਦੀ ਬੇਨਤੀ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।
ਸਿੱਟਾ
Gemini Omni ਇੱਕ ਵਾਰ ਵਿੱਚ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਪੂਰਾ ਸੈੱਟ ਮਿਲਣ 'ਤੇ ਇੱਕ ਵਧੀਆ, ਬਹੁ-ਤੱਤਾਂ ਵਾਲੀ ਵੀਡੀਓ ਬਣਾ ਸਕਦਾ ਹੈ, ਪਰ ਜਦੋਂ ਐਡਿਟ ਇੱਕ ਦੇ ਉੱਪਰ ਇੱਕ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਇਸਦੀ ਵਿਸ਼ੇ ਦੀ ਸ਼ੁੱਧਤਾ (subject fidelity) ਘਟਦੀ ਜਾਂਦੀ ਹੈ।