পরবর্তী আপপরবর্তী গাইড
Sora এবং টেক্সট-টু-ভিডিও
ভিজ্যুয়াল এআই
ভিজ্যুয়াল এআই গাইড
মেক-এ-ভিডিও টেক্সট-টু-ভিডিও
মেক-এ-ভিডিও হল Meta এর 2022 সিস্টেম যা লেবেলযুক্ত পাঠ্য-ভিডিও জোড়ার প্রশিক্ষণ ছাড়াই একটি পাঠ্য প্রম্পটকে একটি ছোট ভিডিও ক্লিপে পরিণত করে৷
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
এটি গুরুত্বপূর্ণ কারণ এটি দেখিয়েছে যে টেক্সট-টু-ইমেজ মডেলের ভিজ্যুয়াল জ্ঞান শুধুমাত্র লেবেলবিহীন ভিডিও ব্যবহার করে সরাতে 'পড়ানো' যেতে পারে।
গভীর ডুব
Make-A-Video, announced by Meta AI in September 2022, generates brief video clips from text prompts. Its key trick is decoupling appearance from motion: a text-to-image model learns what things look like from paired text-image data, while separate spatiotemporal layers learn how they move from video footage with no associated text. Meta said this reduced the need for paired text-video examples and that the research used publicly available datasets. Meta also described making videos from images and creating new videos similar to existing videos. The base model produces low-resolution, low-frame-rate clips, then dedicated networks interpolate extra frames and upscale spatial resolution. The result was strikingly coherent for its era, though clips were short, blurry, and prone to flicker and warping.
বাস্তব-বিশ্ব বাস্তবায়ন
একটি সোশ্যাল মিডিয়া পোস্টের জন্য একটি ছোট লুপিং ক্লিপে একটি একক বর্ণনামূলক বাক্য অ্যানিমেট করা
একটি চলমান চিত্র হিসাবে 'একটি টেডি বিয়ার আঁকা একটি প্রতিকৃতি' এর মত একটি স্থির ধারণা নিয়ে আসা
একটি মসৃণ রূপান্তর ভিডিও তৈরি করতে দুটি ব্যবহারকারীর দ্বারা সরবরাহ করা স্থির চিত্রের মধ্যে ইন্টারপোলেট করা
কোনো চিত্রগ্রহণের আগে স্টোরিবোর্ডিংয়ের জন্য কল্পনাকৃত দৃশ্যের দ্রুত গতির খসড়া তৈরি করা
মেক-এ-ভিডিও টেক্সট-টু-ভিডিওর ভবিষ্যত
মেক-এ-ভিডিও-এর ইমেজ-প্রিয়র-প্লাস-লেবেলবিহীন-মোশন রেসিপি পুরো টেক্সট-টু-ভিডিও ওয়েভকে সীড করেছে। এর বংশধররা নিয়ন্ত্রণযোগ্য ক্যামেরা মোশন এবং অডিও সহ দীর্ঘ, উচ্চ-রেজোলিউশন, সাময়িকভাবে স্থিতিশীল ক্লিপগুলির উপর জোর দেয়। মূল ধারণাটি আশা করুন, বিশাল ইমেজ জ্ঞান পুনঃব্যবহার করে এবং সস্তায় শেখার গতি, এমনকি স্থির থাকতে পারে যখন আর্কিটেকচারগুলি ট্রান্সফরমার-ভিত্তিক সুপ্ত প্রসারণ এবং ইউনিফাইড মডেলগুলির দিকে চলে যায় যা সম্পাদনা এবং ধারাবাহিকতার জন্য চিত্র বা ভিডিও কন্ডিশনিংও গ্রহণ করে।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- গতি এবং স্কেল. ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
- পছন্দগুলি তৈরি করুন. সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
- টিম এবং ওয়ার্কফ্লো. অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
জন্য সতর্ক
- প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
- মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
- আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
পরবর্তী পদক্ষেপ
- নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
- প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
- কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
- মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Make-A-Video Text-to-Video quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
মেক-এ-ভিডিও টেক্সট-টু-ভিডিও কি?
মেক-এ-ভিডিও হল Meta এর 2022 সিস্টেম যা লেবেলযুক্ত পাঠ্য-ভিডিও জোড়ার প্রশিক্ষণ ছাড়াই একটি পাঠ্য প্রম্পটকে একটি ছোট ভিডিও ক্লিপে পরিণত করে৷ এটি গুরুত্বপূর্ণ কারণ এটি দেখিয়েছে যে টেক্সট-টু-ইমেজ মডেলের ভিজ্যুয়াল জ্ঞান শুধুমাত্র লেবেলবিহীন ভিডিও ব্যবহার করে সরাতে 'পড়ানো' যেতে পারে।
কেন্দ্রীয় উদ্ভাবন কী ছিল যা মেক-এ-ভিডিওকে লেবেলযুক্ত পাঠ্য-ভিডিও জোড়ার প্রয়োজন এড়াতে দেয়?
মেক-এ-ভিডিও সমস্যাটিকে ডিকপল করে: একটি টেক্সট-টু-ইমেজ মডেল ক্যাপশন করা ছবিগুলি থেকে জিনিসগুলি কেমন দেখায় তা শিখে, যখন আলাদা টেম্পোরাল লেয়ারগুলি কাঁচা, লেবেলবিহীন ভিডিও থেকে গতি শেখে৷
কিভাবে মেক-এ-ভিডিও একটি ইমেজ মডেলে গতির ক্ষমতা যোগ করে?
এটি নতুন অস্থায়ী স্তরগুলির সাথে 2D স্থানিক সংকোচন এবং মনোযোগ প্রসারিত করে যা সময়ের সাথে বিষয়বস্তু কীভাবে পরিবর্তিত হয় তা শেখে।
ফ্রেম-ইন্টারপোলেশন এবং সুপার-রেজোলিউশন পর্যায়গুলি কী করে?
একটি মোটা লো-রেজোলিউশন, কম-ফ্রেম-রেটের খসড়ার পরে, ইন্টারপোলেশন ফ্রেম যোগ করে এবং সুপার-রেজোলিউশন মডিউল রেজোলিউশন বাড়ায়।
মেক-এ-ভিডিওর আউটপুটের একটি সাধারণ সীমাবদ্ধতা কী ছিল?
ক্লিপগুলি ছিল মাত্র কয়েক সেকেন্ডের, তুলনামূলকভাবে কম রেজোলিউশন, এবং টেম্পোরাল ফ্লিকার এবং বিকৃতির প্রবণ।
Besides text prompts, what visual input can Make-A-Video use to create a video?
Meta said Make-A-Video can create videos from images as well as text prompts.
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড