Google: Veo 3.1 Lite

Veo 3.1 Lite é o membro Lite da Google na linha de geração de vídeo Veo 3. Sintetiza um vídeo com áudio a partir de uma descrição em linguagem natural ou de uma imagem de entrada. A saída é um clipe gerado, e não uma análise textual de uma gravação existente. A ficha do modelo Lite do fabricante remete para Veo 3 quanto à arquitetura subjacente, aos materiais de treino e às limitações conhecidas, enquanto a documentação específica de Lite define as suas próprias funcionalidades e limites de geração.

A arquitetura referenciada utiliza difusão latente sobre representações temporais de áudio e representações espaciotemporais de vídeo. O modelo base foi treinado com áudio, vídeo e imagens, com legendas descritivas em diferentes níveis de pormenor e material de treino filtrado e deduplicado. Isto explica o propósito de geração conjunta visual e de áudio. Não divulga um número de parâmetros específico de Lite nem comprova que todos os movimentos gerados seguem a realidade física. Para uma cena prática, decida em conjunto a ação visível e o som correspondente.

A documentação exata de Lite dá um limite de entrada de texto de 1 024 tokens e um vídeo de saída. A coluna Lite no guia de geração apresenta durações de 4, 6 e 8 segundos, com 720p por predefinição e 1080p a exigir um clipe de 8 segundos. A proporção horizontal 16:9 é a predefinição e a vertical 9:16 está também indicada; a saída está documentada a 24 fotogramas por segundo. O áudio nativo está sempre ativado nesse fluxo. Estes valores pertencem ao fluxo identificado como Lite do produtor, e não a uma edição Veo sem relação ou a uma resposta de aplicação medida separadamente.

Lite não suporta saída 4K nem extensão de vídeo. A tabela de parâmetros assinala também a funcionalidade de múltiplas referências referenceImages e uma entrada de vídeo para extensão como indisponíveis na coluna Lite. Uma imagem inicial pode estabelecer o primeiro fotograma; a tabela apresenta uma imagem lastFrame juntamente com essa imagem inicial para uma transição. Mantenha esta via de controlo por fotogramas distinta da mistura de várias referências de estilo ou sujeito. As definições de geração de pessoas do produtor são específicas do modo: a tabela Lite apresenta allow_all para texto para vídeo e allow_adult para imagem para vídeo e interpolação, enquanto regras regionais podem restringir adicionalmente esse perfil documentado. Escolha a imagem inicial de acordo com a primeira cena que pretende efetivamente, com o sujeito, o enquadramento e os pormenores visíveis preparados antes de pedir movimento.

Para texto para vídeo, descreva o sujeito, a sua ação, o ambiente e o estilo pretendido. Acrescente posição e movimento de câmara, enquadramento, foco e luz quando forem importantes. Uma cena original de produto pode manter o objeto centrado enquanto a câmara se aproxima de um pormenor de material e a luz envolvente muda suavemente. Identifique o estado inicial, a ação principal e o momento final para que o clipe curto resolva uma ideia coerente. Uma longa coleção de ações sem relação entre si é uma tarefa diferente de um plano focado.

Para imagem para vídeo, forneça um fotograma inicial nítido e explique o que deve mover-se e o que deve manter-se estável. Especifique separadamente o movimento do sujeito e qualquer movimento da câmara. Se utilizar uma restrição de fotograma final, prepare uma composição final compatível e descreva a transição entre ambos. Inspecione o resultado, em vez de presumir que uma identidade, posição ou forma pedidas se mantêm idênticas ao longo de todo o clipe. A ficha de modelo referenciada identifica a consistência completa em cenas complexas e o movimento complexo como desafios contínuos.

O guia de instruções suporta indicações explícitas para diálogo, efeitos sonoros e ambiente. Coloque a fala exata entre aspas, identifique quem fala e descreva os sons em relação à ação visível. Um efeito sonoro e a atmosfera de fundo não devem ser confundidos com uma fala. O inglês está documentado como totalmente suportado para instruções, enquanto outros idiomas não foram avaliados nesse guia. Reveja as palavras audíveis, a sincronização e a qualidade sonora como parte do mesmo recurso que o vídeo, em vez de tratar o áudio como uma transcrição fiel garantida da instrução.

O fluxo do produtor é assíncrono: um pedido de geração devolve uma operação, e o resultado concluído é obtido depois de o seu estado comunicar a conclusão. Conserve a identidade da operação e inspecione o clipe devolvido. O guia descreve retenção de dois dias do lado do produtor e marcação SynthID, pelo que um recurso conservado deve incluir o resultado transferido, a instrução, as imagens de origem e as definições selecionadas. Uma semente pode melhorar a repetibilidade, mas não garante determinismo. Verifique a continuidade dos sujeitos, a ação, o enquadramento, o som e o extremo final pretendido da cena antes de utilizar o clipe numa montagem; só a conclusão do processamento não prova que os requisitos criativos foram cumpridos.