Gemini Omni ya Google, inayofikiwa kupitia kiolesura kipya cha Google Vids, ilifanyiwa jaribio la maabara ili kuona ikiwa AI inaweza kuweka mhusika-msafirishaji mmoja bila mabadiliko baada ya marekebisho matatu ya video mfululizo.
Kwa nini jaribio hili ni muhimu
Zana za video za kijenereta (generative video tools) zinaahidi kuwa kila mtu anaweza kubadilisha mandhari ya nyuma, kuongeza mwanga au kuweka madoido kwa amri moja ya maandishi. Kwa mbunifu, ahadi ni rahisi: anza na kipande ghafi, andika “fanya kunyeshe usiku,” na upate video fupi iliyokamilika. Watumiaji wengi hawaoni gharama iliyojificha ya “drift”—kupotea kwa polepole kwa muonekano, pozi, au mwendo wa mhusika wa awali wakati AI inatafsiri kila maelekezo mapya. Ikiwa uso wa msafirishaji utabadilika kidogo baada ya marekebisho ya pili, kazi ya mwisho itaonekana haina weledi na inaweza kuhitaji usafishaji wa gharama kubwa wa kumanusia.
Jaribio
Kipande cha msingi (Baseline clip) – Picha ya studio iliyorekodiwa kwa kamera isiyocheza ya mtu mmoja akiwa amevaa koti la upepo la rangi ya bluu iliyoiva (navy), akiwa ameshikilia boksi dogo la katoni mkononi mwake kushoto, na kuchukua hatua mbili kuelekea kwenye kamera. Mwanga ulikuwa sawa, mandhari ya nyuma yalikuwa rahisi, na mwendo ulikuwa wa kawaida.
Mfuatano wa marekebisho – Marekebisho matatu yalifanyika mmoja baada ya mwingine:
- Kubadilisha mandhari ya nyuma – Badilisha studio na mtaa wa jiji unaonyesha mvua usiku.
- Kurekebisha mwanga – Ongeza mwanga wa bluu pembeni mwa msafirishaji na mwanga mwanana wa joto kutoka kwenye dirisha la duka.
- Tabaka la anga – Ongeza matone madogo ya mvua na ukungu mwepesi.
Jaribio la “udhibiti wa moja kwa moja” (direct control) liliunganisha maelekezo yote matatu katika amri (prompt) moja, likiiruhusu AI kutengeneza kipande cha mwisho kwa mkupuo mmoja.
Jinsi msimamo ulivyopimwa
Vigezo kumi na viwili vilijumuisha karatasi ya alama, vilivyogawanywa katika mada nne:
- Utulivu wa mhusika – Uso, nywele, na mavazi vinabaki vilevile.
- Utulivu wa mandhari – Pembe ya kamera na nafasi ya mhusika zinabaki palepale.
- Usahihi wa marekebisho – AI inafuata maelekezo bila kubadilisha kitu kingine chochote.
- Ubora wa muda (Temporal quality) – Hakuna mng'ao (flicker), upindupindu (warping), au mtetemo (jitter) unaotokea wakati wa mwendo.
Kila kipande kilipimwa kwenye fremu ya kwanza, katikati ya hatua hizo mbili za kutembea, na fremu ya mwisho. Upimaji ulionyesha mfumo wa wazi.
Namba zinachosema
Marekebisho yalipofanywa mfululizo, AI ilipimwa kwa kutumia karatasi hiyo ya alama. Udhibiti wa amri moja (single-prompt control) ulipata tathmini ileile.
Nani anashinda na nani anapoteza
Studio zinazoweza kumudu amri moja ya kina hupata mtiririko wa kazi wenye urahisi zaidi. Watengenezaji wa mifumo ya video ya kijenereta wanakabiliwa na changamoto kubwa ya kihandisi—uhitaji wa kudumisha uwakilishi thabiti wa mhusika (latent representation) katika mabadiliko mfululizo.
Hoja kinyume
Baadhi ya watumiaji wanadai kuwa marekebisho ya hatua kwa hatua yanatoa udhibiti zaidi wa ubunifu. Kwa kurekebisha kipengele kimoja kwa wakati mmoja, wanaweza kuboresha kila tabaka kabla ya kuendelea. Jaribio linaonyesha kuwa unyumbufu huu unaharibu uaminifu wa picha (visual fidelity). Ikiwa mbunifu atakubali mabadiliko madogo ya mhusika ili kupata udhibiti wa kina, mtiririko wa kazi wa Gemini Omni wa sasa unaweza bado kuwa unafaa.
Nini cha kufuatilia baadaye
- Uboreshaji wa modeli unaofunga kodi ya mhusika (latent code) katika amri mbalimbali.
- Mzunguko wa maoni ya watumiaji unaoruhusu wabunifu kuashiria mchepuko (drift) na kuomba "urejesho" (re-anchor) wa mhusika.
Hitimisho
Gemini Omni inaweza kutengeneza video iliyokamilika yenye vipengele vingi inapopewa seti kamili ya maelekezo kwa mkupuo mmoja, lakini uaminifu wake kwa mhusika hupungua wakati marekebisho yanapofanywa mfululizo.