Gemini Omni від Google, доступний через новий інтерфейс Google Vids, пройшов практичне лабораторне тестування, щоб перевірити, чи зможе ШІ зберегти стабільність одного й того самого об'єкта (кур'єра) після трьох послідовних редагувань відео.

Чому це тестування важливе

Інструменти генеративного відео обіцяють, що будь-хто зможе змінити фон, додати освітлення або розсипати ефекти за допомогою однієї текстової команди. Для творця ця обіцянка проста: взяти сирий кліп, ввести «зроби так, щоб вночі йшов дощ», і отримати готовий короткий ролик. Більшість користувачів не помічають прихованої ціни «дрейфу» (drift) — поступової втрати первісного вигляду, пози чи руху об'єкта, коли ШІ інтерпретує кожну нову інструкцію. Якщо обличчя кур'єра ледь помітно змінюється після другого редагування, фінальний результат виглядає непрофесійно і може потребувати дороговартісної ручної доопрацювання.

Експеримент

Базовий кліп – студійний знімок зі статичною камерою, на якому одна людина в темно-синій вітрівці тримає маленьку картонну коробку в лівій руці та робить два кроки до камери. Освітлення було рівномірним, фон — однотонним, а рух — простим.

Послідовність редагувань – три редагування застосовувалися одне за одним:

  1. Зміна фону – замінити студію на дощову міську вулицю вночі.
  2. Коригування освітлення – додати синє контурне світло навколо кур'єра та тепле сяйво від вітрини магазину.
  3. Шар атмосфери – додати легкі краплі дощу та тонку завісу пари.

Варіант «прямого керування» об'єднав усі три інструкції в одному промпті, дозволяючи ШІ згенерувати фінальний кліп за один раз.

Як оцінювалася стабільність

Оціночна картка складалася з дванадцяти критеріїв, згрупованих у чотири теми:

  • Стабільність персонажа – обличчя, волосся та одяг залишаються незмінними.
  • Стабільність сцени – ракурс камери та положення об'єкта залишаються незмінними.
  • Точність редагування – ШІ виконує інструкцію, не змінюючи нічого іншого.
  • Часова якість – під час руху не з'являється мерехтіння, спотворень або тремтіння.

Кожен кліп оцінювався на першому кадрі, на середині двокрокового кроку та на фінальному кадрі. Оцінювання виявило чітку закономірність.

Що кажуть цифри

Коли редагування накладалися одне на одне, ШІ оцінювали за допомогою оціночної картки. Контрольний варіант із одним промптом отримав таку ж оцінку.

Хто виграє, а хто програє

Студії, які можуть дозволити собі один комплексний промпт, отримують плавніший робочий процес. Розробники систем генеративного відео стикаються з чітким інженерним викликом — необхідністю підтримувати стабільне латентне представлення об'єкта під час послідовних трансформацій.

Контраргумент

Деякі користувачі стверджують, що поетапне редагування забезпечує більший творчий контроль. Коригуючи по одному елементу за раз, вони можуть відшліфувати кожен шар, перш ніж рухатися далі. Тест показує, що за таку гнучкість доводиться платити візуальною точністю. Якщо творець погоджується на незначні зміни об'єкта заради детального контролю, поточний робочий процес Gemini Omni все ще може бути життєздатним.

За чим стежити далі

  • Удосконалення моделей, які фіксують латентний код об'єкта в різних промптах.
  • Цикли зворотного зв'язку з користувачами, що дозволять творцям позначати «дрейф» і запитувати «переприв'язку» (re-anchor) об'єкта.

Підсумок

Gemini Omni може створювати якісне багатоелементне відео, якщо надати йому повний набір інструкцій одночасно, але точність передачі об'єкта погіршується, коли редагування накладаються одне на одне.