Most creative software still expects a human to sit between the idea and the finished file. You might describe a video e

பெரும்பாலான ஆக்கபூர்வமான மென்பொருள்கள், ஒரு யோசனைக்கும் முடிக்கப்பட்ட கோப்பிற்கும் இடையில் ஒரு மனிதன் இருக்க வேண்டும் என்றுதான் எதிர்பார்க்கின்றன. நீங்கள் ஒரு வீடியோ எடிட்டிங்கை AI-விடம் விவரிக்கலாம், ஆனால் கிளிப்களைத் திருத்துவது (trimming), லேயர்களைச் சரிசெய்வது (adjusting layers) மற்றும் பிரேம்களை ஏற்றுமதி செய்வது (exporting frames) போன்ற உண்மையான வேலைகள் வழக்கமாக உங்களிடமே வந்து சேரும். அந்த இடைவெளி இருப்பதற்குக் காரணம், மீடியா எடிட்டிங் என்பது ஒருமுறை கட்டளை (prompt) கொடுத்துப் பதில் பெறும் ஒரு வேலை அல்ல. இது ஒன்றையொன்று சார்ந்திருக்கும் முடிவுகளின் நீண்ட சங்கிலித் தொடர்; இதில் இரண்டாவது படி டைம்லைனை (timeline) மாற்றினால் மட்டுமே மூன்றாவது படி அர்த்தமுள்ளதாக இருக்கும். சமீபத்தில் பகிரப்பட்ட ஒரு திட்டம், Gemini Interactions API மூலம் இயங்கும் ஒரு stateful வீடியோ எடிட்டிங் பைப்லைனுடன் Claude Code-ஐ இணைப்பதன் மூலம் இந்தச் சிக்கலைத் தீர்க்கிறது. இதன் விளைவாக, ஒரு AI ஏஜென்ட் வெறும் ஆலோசனைகளை மட்டும் வழங்காமல், ஒரு ஆக்கபூர்வமான பணிப்பாய்வை (workflow) எவ்வாறு உண்மையாக வழிநடத்த முடியும் என்பதற்கான ஒரு செயல்முறை விளக்கமாக இது அமைகிறது.

ஒரு இயக்குநரும் ஒரு எடிட்டரும்

இதன் கட்டமைப்பு வேண்டுமென்றே பிரிக்கப்பட்டுள்ளது. Claude Code ஒரு இயக்குநராகச் செயல்படுகிறது; இது உயர்மட்டத் திட்டமிடல், தெளிவற்ற ஆக்கபூர்வமான குறிப்புகளைப் புரிந்துகொள்ளுதல் மற்றும் அடுத்து என்ன செய்ய வேண்டும் என்பதைத் தீர்மானித்தல் போன்ற பணிகளைக் கையாளுகிறது. "தேவையற்ற இடைவெளிகளைக் குறைத்து (cut the dead air) ஒரு தலைப்பு அட்டையைச் சேர்" போன்ற ஒரு கோரிக்கையைத் தனித்தனிப் பணிகளாகப் பிரித்து, ஒவ்வொரு பணியும் வெற்றியடைகிறதா என்பதைக் கண்காணித்துவிட்டு அடுத்த கட்டத்திற்குச் செல்கிறது.

Gemini Interactions API பிரத்யேக எடிட்டிங் தர்க்கங்களைக் (logic) கையாள்கிறது. ஒரு பொதுவான மாடலை (generalist model) வீடியோ எடிட்டராகச் செயல்பட வற்புறுத்துவதற்குப் பதிலாக, இந்த அமைப்பு கூகுளின் API-ஐ ஒரு நேரடிச் செயல்பாட்டாளராகப் பயன்படுத்துகிறது; இது கட் (cuts) செய்வதைச் செய்கிறது, டைம்லைன் நிலையை (timeline state) மதிப்பீடு செய்கிறது மற்றும் உறுதியான முடிவுகளுடன் பதிலளிக்கிறது. இந்த அமைப்பு இரண்டு வேலைகளையும் ஒரே மாடலுக்குள் சுருக்கவில்லை. இது தர்க்கரீதியான அடுக்கை (reasoning layer), கருவிப் பயன்பாட்டு அடுக்கிலிருந்து (tool-use layer) தனித்துப் பிரிக்கிறது, இதன் மூலம் ஒவ்வொரு பகுதியும் தான் சிறப்பாகச் செய்யும் வேலையில் கவனம் செலுத்த முடியும்.

இந்தப்பிரிவு உண்மையான போஸ்ட்-புரொடக்ஷன் (post-production) குழுக்கள் செயல்படும் முறையைப் பிரதிபலிக்கிறது. ஒரு இயக்குநர் கதையைத் தெரிந்து வைத்துக்கொண்டு முடிவெடுப்பார். எடிட்டர் மென்பொருளைத் தெரிந்து வைத்துக்கொண்டு பிக்சல்களைக் கையாள்கிறார். ஒரு ஏஜென்ட் ஒரே சூழல் சாளரத்திற்குள் (context window) இரண்டையும் செய்ய முயலும்போது, அது பெரும்பாலும் தொடரியல் (syntax) பிழைகளில் சிக்கிக்கொள்ளும் அல்லது எந்த கிளிப் எந்தத் தடத்தில் (track) உள்ளது என்பதை மறந்துவிடும். வேலையைப் பிரிப்பது இந்தப் பிரச்சனையைச் சரிசெய்கிறது.

நினைவாற்றல் எல்லாவற்றையும் ஏன் மாற்றுகிறது

வீடியோ எடிட்டிங் என்பது இயல்பாகவே stateful தன்மை கொண்டது. நீங்கள் ஒரு கிளிப்பை நான்கு வினாடிகள் குறைத்தால், அதற்கு அடுத்தடுத்த மாற்றங்கள் (transitions), ஆடியோ குறிப்புகள் (audio cues) மற்றும் சப்டைட்டில் இடங்கள் அனைத்தும் அதற்கு ஏற்ப மாற வேண்டும். பெரும்பாலான AI ஏஜென்ட்கள் இங்கு சிரமப்படுகின்றன, ஏனெனில் அவை ஒவ்வொரு படியையும் ஒரு தனித்தனி வினாவாக (isolated query) கருதுகின்றன. அவை ஒரு பதிலில் ஒரு கட்டைப் பரிந்துரைக்கலாம், அடுத்த பதிலில் முற்றிலும் மாறுபட்ட ஒரு டைம்லைனைத் தவறாகக் கற்பனை செய்யலாம் (hallucinate), அல்லது ஏற்கனவே இல்லாத ஒரு பகுதிக்கு ஒரு எஃபெக்ட்டைப் பரிந்துரைக்கலாம்.

Gemini Interactions API இந்தச் செயல்பாடுகளுக்கு இடையே நிலையை (state) பராமரிக்கும் வகையில் உருவாக்கப்பட்டுள்ளது. ஏஜென்ட் வேலை செய்யும்போது திட்டத்தின் உண்மையான நிலையை இது கண்காணிப்பதே இதன் சிறப்பம்சமாகும். அதாவது, ஒரு எக்ஸ்போர்ட் தோல்வியடைந்ததா, ஒரு கிளிப் ஏற்கனவே செயலாக்கப்பட்டதா அல்லது கலர் கிரேடிங் (color grade) செய்யப்பட்டுள்ளதா என்பதை இந்த அமைப்புத் தெரிந்து கொள்ளும். Claude அடுத்த கட்டளையை வழங்கும்போது, அது ஒரு யூகத்தின் அடிப்படையில் அல்லாமல், டைம்லைனின் உண்மையான தற்போதைய நிலையை அடிப்படையாகக் கொண்டே செயல்படுகிறது.

முந்தைய நான்கு படிகளை முற்றிலும் புறக்கணித்துவிட்டு, ஒரு AI நம்பிக்கையுடன் ஒரு "எளிமையான" ஐந்து படி தீர்வினைப் பரிந்துரைப்பதைப் பார்த்த எவருக்கும், நிலையான நிலையின் (persistent state) மதிப்பு தெளிவாகத் தெரியும். நினைவாற்றல் இல்லையென்றால் ஆக்கபூர்வமான பணிகள் விரைவாகத் தரம் குறையும். ஒரு stateful பேக்எண்ட் (backend), ஒரு சாட்போட்டை (chatbot) ஒரு வேலையைச் செய்து முடிக்கக்கூடிய ஒரு பங்கேற்பாளராக மாற்றுகிறது.

பணிப்பாய்வு எவ்வாறு இருக்கும்

ஒரு நடைமுறைச் சூழலை கற்பனை செய்து பாருங்கள். நீங்கள் கணினிக்குச் சில மூலக் கிளிப்களைக் (raw clips) கொடுத்து, சமூக ஊடகங்களுக்கான ஒரு முழுமையான எடிட்டிங்கைத் தருக என்று கேட்கிறீர்கள். Claude Code முதலில் அந்தக் கோரிக்கையை மதிப்பீடு செய்கிறது. அந்தப் படத்திற்குத் stabilization தேவைப்படலாம், பின்னர் voice-over பிரித்தெடுத்தல், சப்டைட்டில்கள் மற்றும் செங்குத்துத் திருத்தம் (vertical crop) தேவைப்படலாம் என்று அது முடிவு செய்யலாம். இது இவற்றை ஒரு திட்டமாகத் தயாரித்து, ஒவ்வொரு அம்சத்தையும் வரிசையாகச் செயல்படுத்த Gemini Interactions API-ஐ அழைக்கத் தொடங்குகிறது.

Gemini மீடியா செயல்பாடுகளைச் செய்து கட்டமைக்கப்பட்ட பின்னூட்டத்தை (structured feedback) வழங்குகிறது. ஒருவேளை stabilization வெற்றியடைந்திருக்கலாம், ஆனால் ஆடியோ பிரித்தெடுக்கும்போது உரையாடல்கள் ஒன்றன் மேல் ஒன்று படிந்திருப்பதால் சப்டைட்டில்கள் நம்பகத்தன்மையற்றதாக இருக்கலாம். Claude அந்தத் தகவலைப் பெற்று, திட்டத்தைத் திருத்தி, உரையைத் திரையில் காண்பிப்பதற்கு (text overlays) முன்னதாகப் பேசுபவர்களைப் பிரித்தெடுப்பது போன்ற வேறு ஒரு அணுகுமுறையை முயற்சிக்கு Gemini-யிடம் கேட்கிறது. API நிலையைத் தக்கவைத்துக் கொள்வதால், சப்டைட்டில் தடம் (subtitle track) அசையாத அசல் வீடியோவுடன் அல்லாமல், புதிதாகச் சரிசெய்யப்பட்ட (stabilized) வீடியோவுடன் சரியாகப் பொருந்துவதை உறுதி செய்ய முடியும்.

சரிபார்ப்புப் பட்டியல் முடியும் வரை இந்தச் சுழற்சி தொடர்கிறது. இந்த அமைப்பு ஒருமுறை மட்டும் ஸ்கிரிப்ட் உருவாக்குவதற்குப் பதிலாக, சிக்கலான வீடியோ பணிகளுக்கான உண்மையான பணிப்பாய்வை உருவாக்குகிறது. ஒரு கோடெக் (codec) அமைப்பு பொருந்தாததால் ரெண்டரிங் (render) தோல்வியடைந்தால், அந்தத் தவறு Claude-க்குத் தெரிவிக்கப்படும்; அது அளவுருக்களைச் (parameters) சரிசெய்து மீண்டும் முயற்சிக்கும். முதல் தடையிலேயே ஏஜென்ட் திட்டத்தைக் கைவிட்டுவிடாது.

வெவ்வேறு பலங்களுக்காக வெவ்வேறு மாடல்களைப் பயன்படுத்துதல்

இந்தத் திட்டம் AI பொறியியலில் ஒரு பரந்த வடிவமைப்பு முறையை (design pattern) விளக்குகிறது: ஒரே ஒரு மாடல் அனைத்தையும் செய்ய முயற்சிப்பதை நிறுத்துங்கள். தெளிவற்ற அறிவுறுத்தல்கள் மூலம் சிந்திப்பதிலும் (reasoning), கிளைவழி தர்க்கங்களை (branching logic) நிர்வகிப்பதிலும், நீண்ட கால உரையாடல் சூழலை (conversational context) பராமரிப்பதிலும் Claude Code சிறந்து விளங்குகிறது. Gemini Interactions API, குறிப்பாகப் பணக்கார ஊடகங்களுடன் (rich media) அதன் தொடர்பு மற்றும் கருவிப் பயன்பாட்டில் (tool use), ஆழமான மல்டிமோடல் திறன்களையும் (multimodal capabilities) மற்றும் stateful execution எனப்படும் நிலைத்த தன்மையுடன் கூடிய செயல்பாட்டையும் வழங்குகிறது. அவற்றை ஒன்றாக இணைப்பதன் மூலம், ஒவ்வொன்றின் வரம்புகளையும் நீங்கள் கடந்து செல்ல முடியும்.

ஒரு nonlinear editor-ஐத் தொடாத ஒரு reasoning model கூட, codecs, keyframes மற்றும் track hierarchies ஆகியவற்றைத் தெரிந்து கொள்ளும் ஒரு execution layer-ஐ அணுகுமானால், ஒரு சிறந்த வீடியோ எடிட்டிங்கை வழிநடத்த முடியும். மாறாக, ஒரு planner model ஏற்கனவே அந்தத் தெளிவற்ற படைப்பு குறிப்புகளை (abstract creative notes) உறுதியான படிகளாக (concrete steps) மாற்றியிருந்தால், ஊடகத் திறன்கொண்ட (media-savvy) ஒரு API அவற்றை பகுப்பாய்வு செய்ய வேண்டிய அவசியமில்லை. ஒன்றின் பலம் மற்றொன்றின் பலவீனத்தைப் போக்குகிறது.

இது வெறும் தியரி மட்டுமல்ல. ஒற்றை-மாடல் ஏஜெண்டுகள் (single-model agents) பெரும்பாலும் முடிக்கத் தவறும் படைப்பு ரீதியான வீடியோ எடிட்டிங் போன்ற ஒரு வகை வேலையை, வெவ்வேறு AI மாடல்கள் எவ்வாறு இணைந்து கையாளுகின்றன என்பதை இந்த அமைப்பு வெளிப்படையாகக் காட்டுகிறது. ஏஜென்டிக் சிஸ்டம்களை (agentic systems) உருவாக்கும் டெவலப்பர்களுக்கு, இந்த பாடத்தைப் புறக்கணிக்க முடியாது. உங்கள் orchestration layer-ஐ ஒரு நிபுணராக (specialist) இருக்கச் சொல்வதையும், உங்கள் நிபுணரை ஒரு வியூகவாதியாக (strategist) இருக்கச் சொல்வதையும் நிறுத்துங்கள்.

உருவாக்குபவர்கள் இதிலிருந்து என்ன கற்றுக்கொள்ள வேண்டும்

இந்த முறையைப் பயனுள்ளதாகக் காண நீங்கள் ஒரு வீடியோ ஸ்டுடியோவை நடத்த வேண்டிய அவசியமில்லை. மாறிவரும் சூழலில் பல படிகளைக் கொண்ட வேலைகள் தேவைப்படும் எந்தத் துறையாக இருந்தாலும் - CAD workflows, ஆடியோ இன்ஜினியரிங், தரவு காட்சிப்படுத்தல் (data visualization) அல்லது அறிவியல் கணினி (scientific computing) - இதே கட்டமைப்பைப் பயன்படுத்தலாம். ஒரு மாடல் நிலையான திட்ட மேலாளராக (project manager) செயல்படுகிறது. ஒரு சிறப்பு API அல்லது கருவி அந்தத் துறை சார்ந்த மென்பொருளுக்குள் இருக்கும் stateful செயல்பாடுகளைக் கையாள்கிறது.

மாடல் எல்லாவற்றையும் நினைவில் வைத்திருக்கும் என்று நம்பிப் பெரிய பிராம்ப்ட்களை (prompts) எழுதுவதிலிருந்து, reasoning மற்றும் execution ஆகியவற்றுக்கு இடையே தெளிவான மாற்றங்களை (handoffs) வடிவமைப்பது வரை டெவலப்பரின் பணி மாறுகிறது. State management எனப்படும் நிலை மேலாண்மை ஒரு முக்கியமான பகுதியாக மாறுகிறது. உங்கள் ஏஜென்ட் தனது கடைசிச் செயல்பாடுக்குப் பிறகு என்ன மாறியது என்பதைப் பார்க்க முடியாவிட்டால், அது மீண்டும் நம்பகமான முறையில் செயல்பட முடியாது.

குறிப்பிட்ட API தொடர்புகள் மற்றும் திட்ட அமைப்பு உட்பட, இந்த ஒருங்கிணைப்பு எவ்வாறு செயல்படுகிறது என்பதன் முழுமையான விளக்கத்தை dev.to தளத்தில் உள்ள விரிவான பதிவில் படிக்கலாம்.

உண்மையான பாடம்

சிக்கலான படைப்புப் பணிகளை AI மூலம் தீர்க்க, திட்டமிடவும், நினைவில் கொள்ளவும் மற்றும் அனைத்தையும் ஒரே நேரத்தில் செயல்படுத்தவும் கூடிய ஒரு முழுமையான மாடலுக்காகக் காத்திருக்க வேண்டிய அவசியமில்லை. அதற்கு, படிகளுக்கு இடையே நிலைத்திருக்கும் ஒரு நினைவாற்றலையும், தான் பணிகளை ஒப்படைக்கக்கூடிய (delegate) ஒரு நிபுணரையும் ஏஜென்ட்டிற்கு வழங்க வேண்டும். சிந்தனையாளரைச் சிந்திக்க விடுங்கள். எடிட்டரை எடிட் செய்ய விடுங்கள்.