Один промпт — десять хвилин кіно? VideoGen береться за те, що відбувається між кадрами

Виробництво між генераціями

За анонсом VideoGen, до завдання можна додати до 16 зображень-референсів. Довші відео складаються з окремо згенерованих планів; спільні описи й референси мають допомагати зберігати повторювані елементи. Система перевіряє матеріал, у межах бюджету повторює вибрані генерації та з’єднує фрагменти.

Отже, це завдання ширше за прохання довше не вимикати уявну камеру. Хтось має вирішити, що показати окремим планом, яку дію залишити за кадром, де завершити репліку і яке зображення поставити після неї. У цьому випадку частину рішень бере на себе система.

Для режисера така обіцянка приваблива: ці рішення потребують часу. Розкадрування перетворює задум на послідовність, яку можна зняти. Монтаж згодом перевіряє, що з цього задуму справді працює в матеріалі. Автоматизація частини процесу могла б раніше надати ідеї форму, яку вже можна обговорювати.

Однак правдоподібний перелік планів ще не робить сцену живою. Людина, двері й відсутній ключ — усі складники на місці. Напруга може так і не виникнути. Іноді її створює один вчасно прихований крупний план або пів секунди, протягом яких камера залишається з обличчям після останнього слова.

Питання в тому, наскільки вдало система ухвалює такі рішення і які з них дозволяє переглянути людині.

Джерела: VideoGen [1] · VideoGen [2] · VideoGen via GlobeNewswire [3]

Що насправді перевіряє технічна публікація

У технічній роботі Model 1 описано як додатково навчену MiniMax H3. Пілотний експеримент порівнює три способи підготовки 30 промптів: 90 приблизно п’ятисекундних кліпів оцінювали дві ШІ-системи. Одна зафіксувала загальну перевагу творчого розширення промпту над самим форматуванням; інтервал невизначеності другої охоплював нуль. Це дослідження підготовки запитів, а не перевірка десятихвилинної драматургії.

Різниця суттєва. На рівні окремого кліпу можна перевіряти, чи дають інструкції більш узгоджений результат зі звуком і зображенням. У фільмі додається інше: чи змінює попередня дія значення наступної. Зникнення ключа важливе, бо ми пам’ятаємо, що бачили його на столі. Той, хто пропустив цей момент, дивиться вже іншу сцену.

Автоматична оцінка також не розповість повністю, чи відчуває глядач цікавість, незручність або полегшення. Ці реакції залежать від очікувань, які встиг створити фільм. Зрозуміла послідовність може виявитися передбачуваною. А навмисно незручна пауза — здаватися зайвою за формальними критеріями, хоча саме вона виконує головну драматичну роботу.

Добре, що компанія дає конкретний матеріал для перевірки. Важливо й обмежити висновки тим, що цей матеріал справді досліджує.

Джерела: VideoGen [2]

Кілька різних видів узгодженості

Найпростіший — візуальний: пальто не змінює колір, двері залишаються в тій самій кімнаті. Просторовий складніший. Якщо герой дивиться ліворуч, наступне зображення має допомогти зрозуміти, куди спрямований погляд. Порушити цей зв’язок теж можна, але бажано з наміром.

Є ще узгодженість поведінки. Людина щойно дізналася про зраду. У наступному плані ця подія має залишитися з нею: у поставі, увазі, готовності відповідати. Обличчя може бути тим самим, а сцена вже втратила пам’ять.

Звук створює власні зв’язки. Атмосфера кімнати допомагає сприймати два зображення як один простір. Вдих переносить думку через монтажний стик. Надто ранній музичний акцент повідомляє про емоцію, яку виконання ще не встигло переконливо передати. Окремо приємні зображення та звук можуть разом розповідати не те, що потрібно.

Довше відео дає більше нагод помітити суперечності. Водночас у ньому більше простору, щоб вибудувати сенс. Тривалість посилює обидві можливості.

З якого тесту ми почали б

Ми не випробовували Model 1. Для першої перевірки запропонували б значно скромніше завдання за заявлений максимум: хвилинну сцену, двох людей, одну кімнату й запечатаний конверт.

Один персонаж знає, що всередині. Другий удає байдужість. У завданні були б три обов’язкові моменти: пропозиція, відмова та зміна рішення. Виконання можна залишити відкритим, але чітко визначити, якою інформацією володіє кожен герой.

Після першої версії — одна правка: довше затриматися на відмові, зберігши кімнату, конверт, текст реплік і фінальне рішення.

Така зміна покаже те, чого не видно з ефектного першого результату. Чи вміє система зберігати вже прийнятий матеріал, коли змінюється один драматичний акцент? Чи не зсуває довша пауза наступну репліку? Чи не створює нова реакція враження, що другий персонаж від самого початку знав таємницю?

Оцінювати варто керованість: які вказівки виконано, чи залишилася правка локальною, скільки виправлень ще потрібно. А потім показати сцену людям, які не читали завдання, і запитати, що, на їхню думку, сталося. Логіка фільму має бути доступна через те, що глядач бачить і чує.

Дешевша генерація — лише частина рахунку

VideoGen прогнозує вартість більш ніж на 50% нижчу за зіставні моделі, водночас зазначаючи, що остаточні ціни та незалежна перевірка ще не готові. Видавати цей прогноз за оприлюднене порівняння тарифів було б передчасно.

Для виробництва корисніше рахувати вартість прийнятої сцени. До неї входять генерації, відбір, правки, робота зі звуком і час на пояснення того, що має залишитися незмінним. Дешева версія, яку доводиться щоразу перебудовувати, здатна вичерпати цілком щедрий бюджет. Недосконалий перший варіант, який передбачувано реагує на зауваження, може бути значно ціннішим.

Уявімо презентаційний ролик: замовник погодив усе, крім одного жесту наприкінці. Практична цінність інструмента залежить від того, чи можна виправити цей жест і зберегти решту вже погоджених рішень.

Тому перші корисні застосування можуть бути доволі стриманими: перевірити структуру сцени, порівняти порядок розкриття інформації, зробити задум зрозумілішим під час презентації. Це можливі сценарії, а не перевірені нами функції Model 1. Вони мають сенс, навіть якщо жоден згенерований кадр не потрапить до остаточного фільму.

Джерела: VideoGen via GlobeNewswire [3]

Що зробить цей запуск справді важливим

Model 1 заслуговує на увагу, бо ставить у центр продукту роботу, яка поєднує окремі частини виробництва. Наявні публічні матеріали ще не доводять, наскільки надійно система виконує її протягом десяти хвилин або після складного раунду правок.

Наступною переконливою демонстрацією міг би стати фрагмент разом з історією його редагування: що режисер попросив змінити, що змінила система і що їй вдалося зберегти. Про професійну користь це розповіло б більше, ніж сама тривалість.

Повернімося до ключа на столі. Зображення просте. Кіно починається тоді, коли хтось помічає його зникнення, а наступний план допомагає зрозуміти, чому це важливо.