Google: Veo 3.1 Lite

Veo 3.1 Lite to model Lite firmy Google w linii generowania wideo Veo 3. Syntetyzuje film z dźwiękiem na podstawie opisu w języku naturalnym lub obrazu wejściowego. Wynikiem jest wygenerowany klip, a nie tekstowa analiza istniejącego nagrania. Karta modelu Lite producenta odsyła do Veo 3 w kwestiach podstawowej architektury, materiału treningowego i znanych ograniczeń, natomiast dokumentacja właściwa dla Lite określa jego własne funkcje i limity generowania.

Przywołana architektura wykorzystuje dyfuzję w przestrzeni ukrytej na czasowych reprezentacjach audio i przestrzenno-czasowych reprezentacjach wideo. Model bazowy trenowano na dźwięku, filmach i obrazach z podpisami o różnym poziomie szczegółowości oraz na przefiltrowanym materiale treningowym z usuniętymi duplikatami. Wyjaśnia to cel wspólnego generowania obrazu i dźwięku. Nie ujawnia liczby parametrów właściwej dla Lite ani nie dowodzi, że każdy generowany ruch odpowiada fizycznej rzeczywistości. W praktycznej scenie ustal widoczną akcję i odpowiadający jej dźwięk razem.

Konkretna dokumentacja Lite podaje limit wejścia tekstowego 1024 tokenów i jeden film wyjściowy. Kolumna Lite w przewodniku generowania wymienia długości 4, 6 i 8 sekund, domyślne 720p oraz 1080p wymagające 8-sekundowego klipu. Domyślnymi proporcjami są poziome 16:9; podano również pionowe 9:16, a wynik jest dokumentowany przy 24 klatkach na sekundę. Natywny dźwięk jest w tym procesie zawsze włączony. Te wartości należą do nazwanego procesu Lite producenta, a nie niepowiązanej wersji Veo lub osobno zmierzonej odpowiedzi aplikacji.

Lite nie obsługuje wyniku 4K ani przedłużania filmów. Tabela parametrów oznacza także funkcję wielu referencji referenceImages i wejście wideo do przedłużania jako niedostępne w kolumnie Lite. Obraz początkowy może ustanawiać pierwszą klatkę; tabela wymienia obraz lastFrame razem z tym obrazem początkowym do utworzenia przejścia. Odróżniaj tę ścieżkę sterowania klatkami od łączenia kilku referencji stylu lub tematu. Ustawienia generowania osób producenta zależą od trybu: tabela Lite wymienia allow_all dla tworzenia z tekstu oraz allow_adult dla tworzenia z obrazu i interpolacji, a reguły regionalne mogą dodatkowo ograniczać udokumentowany profil. Wybierz obraz początkowy odpowiadający pierwszej scenie, której rzeczywiście chcesz, z przygotowanym tematem, kadrem i widocznymi szczegółami przed zleceniem ruchu.

Przy generowaniu z tekstu opisz temat, jego działanie, otoczenie i zamierzony styl. Dodaj położenie i ruch kamery, kadr, ostrość i światło, gdy mają znaczenie. Własna scena produktowa może utrzymywać przedmiot na środku, gdy kamera zbliża się do jednego szczegółu materiału, a światło otoczenia delikatnie się zmienia. Określ stan początkowy, główną akcję i ostatni moment, aby krótki klip rozwijał jedną spójną ideę. Długi zbiór niepowiązanych działań jest innym zadaniem niż skupione ujęcie.

Przy generowaniu z obrazu dostarcz czytelną klatkę początkową i wyjaśnij, co ma się poruszać, a co pozostać stabilne. Osobno określ ruch obiektu lub postaci i ruch kamery. Jeśli używasz ograniczenia klatki końcowej, przygotuj zgodną kompozycję końcową i opisz przejście między nimi. Sprawdź wynik, zamiast zakładać, że żądana tożsamość, pozycja lub kształt pozostaną identyczne przez cały klip. Przywołana karta modelu wskazuje pełną spójność w złożonych scenach i złożonym ruchu jako nadal istniejące wyzwanie.

Przewodnik promptów obsługuje wyraźne wskazówki dotyczące dialogu, efektów dźwiękowych i odgłosów otoczenia. Umieszczaj dokładne słowa w cudzysłowie, wskazuj mówcę i opisuj dźwięki w relacji do widocznej akcji. Efektu dźwiękowego i atmosfery w tle nie należy mylić z wypowiadaną kwestią. Angielski jest udokumentowany jako w pełni obsługiwany język promptów, a innych języków nie oceniono w tym przewodniku. Sprawdzaj słyszane słowa, czas i jakość dźwięku jako część tego samego materiału co wideo, zamiast traktować audio jako gwarantowaną wierną transkrypcję promptu.

Proces producenta jest asynchroniczny: żądanie generowania zwraca operację, a gotowy wynik uzyskuje się po zgłoszeniu zakończenia w jej statusie. Zachowaj tożsamość operacji i sprawdź zwrócony klip. Przewodnik opisuje dwudniowe przechowywanie po stronie producenta i oznaczanie SynthID, dlatego zachowany materiał powinien zawierać pobrany wynik, prompt, obrazy źródłowe i wybrane ustawienia. Ziarno losowości może poprawiać powtarzalność, ale nie gwarantuje determinizmu. Sprawdź ciągłość obiektu lub postaci, akcję, kadr, dźwięk i zamierzony punkt końcowy sceny przed użyciem klipu w montażu; samo zakończenie przetwarzania nie potwierdza spełnienia wymagań twórczych.