گوگل کے Gemini Omni کو، جسے نئے Google Vids انٹرفیس کے ذریعے استعمال کیا جاتا ہے، ایک عملی لیب ٹیسٹ سے گزارا گیا تاکہ یہ دیکھا جا سکے کہ کیا AI تین مسلسل ویڈیو ایڈٹس کے بعد بھی ایک ہی موضوع (subject-courier) کو مستحکم رکھ سکتا ہے۔
یہ ٹیسٹ کیوں اہم ہے
جنریٹیو ویڈیو ٹولز یہ وعدہ کرتے ہیں کہ کوئی بھی محض ایک ٹیکسٹ کمانڈ کے ذریعے بیک گراؤنڈ تبدیل کر سکتا ہے، لائٹنگ شامل کر سکتا ہے یا اثرات (effects) ڈال سکتا ہے۔ ایک تخلیق کار (creator) کے لیے یہ وعدہ سادہ ہے: ایک خام کلپ (raw clip) سے شروع کریں، "رات کے وقت بارش کروائیں" ٹائپ کریں، اور ایک بہترین مختصر ویڈیو حاصل کر لیں۔ زیادہ تر صارفین "ڈرفٹ" (drift) کی پوشیدہ قیمت کو نہیں دیکھ پاتے—یعنی جیسے جیسے AI ہر نئی ہدایت کی تشریح کرتا ہے، اصل موضوع کی ظاہری شکل، انداز یا حرکت میں بتدریج کمی آتی ہے۔ اگر دوسرے ایڈٹ کے بعد کورئیر کا چہرہ معمولی طور پر بدل جائے، تو حتمی کام غیر پیشہ ورانہ لگتا ہے اور اسے مہنگے دستی صفائی (manual clean-up) کی ضرورت پڑ سکتی ہے۔
تجربہ
بیس لائن کلپ (Baseline clip) – ایک ساکن کیمرے والا اسٹوڈیو شاٹ جس میں ایک شخص نیوی بلیو ونڈ بریکر پہنے ہوئے، بائیں ہاتھ میں ایک چھوٹا کارڈ بورڈ کا ڈبہ پکڑے ہوئے، کیمرے کی طرف دو قدم بڑھ رہا ہے۔ لائٹنگ یکساں تھی، بیک گراؤنڈ سادہ تھا، اور حرکت سادہ تھی۔
ایڈٹ کا تسلسل (Edit sequence) – ایک کے بعد ایک تین ایڈٹس لاگو کیے گئے:
- بیک گراؤنڈ کی تبدیلی (Background swap) – اسٹوڈیو کو رات کے وقت بارش والی شہر کی سڑک سے بدل دیں۔
- لائٹنگ میں تبدیلی (Lighting tweak) – کورئیر کے گرد نیلی رِم لائٹ (rim light) اور دکان کی کھڑکی سے نکلتی ہوئی گرم روشنی شامل کریں۔
- ماحول کی تہہ (Atmosphere layer) – ہلکی بارش کی بوندیں اور بھاپ کی ایک باریک تہہ شامل کریں۔
ایک "ڈائریکٹ کنٹرول" (direct control) رن میں تمام تینوں ہدایات کو ایک ہی پرامپٹ (prompt) میں جوڑ دیا گیا، جس سے AI کو ایک ہی بار میں حتمی کلپ تیار کرنے کا موقع ملا۔
تسلسل (consistency) کی پیمائش کیسے کی گئی
اسکور کارڈ بارہ معیاروں پر مشتمل تھا، جنہیں چار موضوعات میں تقسیم کیا گیا تھا:
- کردار کا استحکام (Character stability) – چہرہ، بال اور لباس بالکل ویسا ہی رہے۔
- منظر کا استحکام (Scene stability) – کیمرہ اینگل اور موضوع کی پوزیشن برقرار رہے۔
- ایڈٹ کی درستگی (Edit precision) – AI کسی اور چیز کو تبدیل کیے بغیر ہدایت پر عمل کرے۔
- وقت کے ساتھ معیار (Temporal quality) – حرکت کے دوران کوئی جھلملاہٹ (flicker)، ٹیڑھا پن (warping) یا لرزش (jitter) نظر نہ آئے۔
ہر کلپ کا جائزہ پہلے فریم، دو قدم چلنے کے دوران درمیانی مرحلے، اور آخری فریم پر لیا گیا۔ اسکورنگ سے ایک واضح پیٹرن سامنے آیا۔
اعداد و شمار کیا کہتے ہیں
جب ایڈٹس کو ایک کے اوپر ایک رکھا گیا (stacked)، تو اسکور کارڈ کے ذریعے AI کا جائزہ لیا گیا۔ سنگل پرامپٹ کنٹرول کو بھی اسی طرح کا جائزہ دیا گیا۔
کون جیتتا ہے اور کون ہارتا ہے
وہ اسٹوڈیوز جو ایک جامع پرامپٹ کا استعمال کر سکتے ہیں، انہیں زیادہ ہموار ورک فلو حاصل ہوتا ہے۔ جنریٹیو ویڈیو سسٹمز کے ڈویلپرز کو ایک واضح انجینئرنگ رکاوٹ کا سامنا ہے—یعنی ترتیب وار تبدیلیوں کے دوران موضوع کی ایک مستحکم لیٹنٹ نمائندگی (latent representation) کو برقرار رکھنے کی ضرورت۔
مخالف دلیل
کچھ صارفین کا کہنا ہے کہ بتدریج ایڈیٹنگ (incremental editing) زیادہ تخلیقی کنٹرول فراہم کرتی ہے۔ ایک وقت میں ایک عنصر کو ایڈجسٹ کر کے، وہ اگلے مرحلے پر جانے سے پہلے ہر تہہ کو بہتر بنا سکتے ہیں۔ ٹیسٹ سے پتہ چلتا ہے کہ اس لچک کی قیمت بصری وفاداری (visual fidelity) کی صورت میں چکانی پڑتی ہے۔ اگر کوئی تخلیق کار باریک بینی سے کنٹرول حاصل کرنے کے لیے موضوع میں معمولی تبدیلیوں کو قبول کر لیتا ہے، تو موجودہ Gemini Omni ورک فلو اب بھی قابلِ عمل ہو سکتا ہے۔
آگے کیا دیکھنا ہے
- ماڈل میں بہتری (Model refinements) جو پرامپٹس کے دوران موضوع کے لیٹنٹ کوڈ (latent code) کو لاک کر دے۔
- صارفین کے فیڈ بیک لوپس (User-feedback loops) جو تخلیق کاروں کو "ڈرفٹ" کی نشاندہی کرنے اور موضوع کو دوبارہ "اینکر" (re-anchor) کرنے کی درخواست کرنے کی اجازت دیں۔
خلاصہ
Gemini Omni ایک مکمل سیٹ ہدایات ایک ساتھ ملنے پر ایک بہترین، کثیر العناصر والی ویڈیو تیار کر سکتا ہے، لیکن جب ایڈٹس کو ایک کے اوپر ایک رکھا جاتا ہے تو اس کے موضوع کی وفاداری (subject fidelity) کم ہوتی جاتی ہے۔