मेक-ए-वीडियो टेक्स्ट-टू-वीडियो
मेक-ए-वीडियो Meta का 2022 सिस्टम है जो लेबल किए गए टेक्स्ट-वीडियो जोड़े पर प्रशिक्षण के बिना टेक्स्ट प्रॉम्प्ट को एक छोटी वीडियो क्लिप में बदल देता है।
सिंहावलोकन
It matters because it showed that the visual knowledge inside text-to-image models could be 'taught' to move using only unlabeled video.
गहरा गोता
सितंबर 2022 में Meta AI द्वारा घोषित मेक-ए-वीडियो, 'सुपरहीरो केप पहने एक कुत्ता आसमान में उड़ता हुआ' जैसे वाक्य से कुछ सेकंड का वीडियो तैयार करता है। इसकी मुख्य चाल उपस्थिति को गति से अलग करना है: एक टेक्स्ट-टू-इमेज मॉडल (सीएलआईपी-शैली के संयुक्त टेक्स्ट-इमेज स्पेस और प्रसार पर निर्मित) सीखता है कि अरबों कैप्शन वाली छवियों से चीजें कैसी दिखती हैं, जबकि अलग-अलग स्पैटिओटेम्पोरल परतें सीखती हैं कि अकेले बिना लेबल वाले वीडियो से चीजें कैसे चलती हैं। यह उच्च-गुणवत्ता वाले टेक्स्ट-वीडियो जोड़े की कमी को दूर करता है। बेस मॉडल कम-रिज़ॉल्यूशन, कम-फ़्रेम-दर क्लिप का उत्पादन करता है, फिर समर्पित नेटवर्क अतिरिक्त फ़्रेम और अपस्केल स्थानिक रिज़ॉल्यूशन को प्रक्षेपित करते हैं। परिणाम अपने युग के लिए आश्चर्यजनक रूप से सुसंगत था, हालांकि क्लिप छोटी, धुंधली और झिलमिलाहट और विकृत होने की संभावना थी।
तकनीकी अंतर्दृष्टि
मेक-ए-वीडियो छद्म-अस्थायी परतों को जोड़कर 2डी छवि-जनरेशन कनवल्शन और ध्यान को 3डी में विस्तारित करता है। पूर्व-प्रशिक्षित स्थानिक भार जमे हुए या ठीक-ठीक होते हैं जबकि नई अस्थायी परतें कच्चे वीडियो से गति सीखती हैं, इसलिए किसी टेक्स्ट-वीडियो लेबल की आवश्यकता नहीं होती है। एक फ़्रेम-इंटरपोलेशन नेटवर्क तब टाइमलाइन को सघन करता है और सुपर-रिज़ॉल्यूशन प्रसार मॉड्यूल स्थानिक विवरण बढ़ाता है, एक मोटे 16-फ़्रेम, कम-रिज़ॉल्यूशन ड्राफ्ट को कैस्केड पाइपलाइन में एक चिकनी, तेज क्लिप में बदल देता है।
सामरिक प्रभाव
गति और पैमाना
विज़ुअल एआई बड़े पैमाने पर निरीक्षण, पता लगाने और टैगिंग कार्यों को स्वचालित कर सकता है।
विकल्प बनाएं
रचनात्मक टीमें कम मैन्युअल संशोधनों के साथ तेजी से अवधारणाओं का प्रोटोटाइप बना सकती हैं।
टीम और वर्कफ़्लो
संचालन छवि और वीडियो संकेतों का उपयोग कर सकते हैं जिन्हें संसाधित करना पहले कठिन था।
मेक-ए-वीडियो टेक्स्ट-टू-वीडियो का भविष्य
मेक-ए-वीडियो की छवि-पूर्व-प्लस-अनलेबल-मोशन रेसिपी ने संपूर्ण टेक्स्ट-टू-वीडियो तरंग को बीज दिया। इसके वंशज नियंत्रणीय कैमरा गति और ऑडियो के साथ लंबे, उच्च-रिज़ॉल्यूशन, अस्थायी रूप से स्थिर क्लिप पर जोर देते हैं। मूल विचार की अपेक्षा करें, बड़े पैमाने पर छवि ज्ञान का पुन: उपयोग करना और सस्ते में सीखने की गति, तब भी बनी रहेगी जब आर्किटेक्चर ट्रांसफॉर्मर-आधारित अव्यक्त प्रसार और एकीकृत मॉडल की ओर स्थानांतरित हो जाते हैं जो संपादन और निरंतरता के लिए छवि या वीडियो कंडीशनिंग को भी स्वीकार करते हैं।
वास्तविक विश्व कार्यान्वयन
सोशल मीडिया पोस्ट के लिए एक वर्णनात्मक वाक्य को एक छोटी लूपिंग क्लिप में एनिमेट करना
'एक टेडी बियर एक चित्र बनाता है' जैसी स्थिर अवधारणा को एक गतिशील चित्रण के रूप में जीवंत करना
एक सहज संक्रमण वीडियो बनाने के लिए उपयोगकर्ता द्वारा प्रदत्त दो स्थिर छवियों के बीच इंटरपोलेशन करना
किसी भी फिल्मांकन से पहले स्टोरीबोर्डिंग के लिए कल्पित दृश्यों के त्वरित गति ड्राफ्ट तैयार करना
जोखिम और रेलिंग
यदि उत्पत्ति अस्पष्ट है तो छवि अधिकार और सहमति कानूनी जोखिम बन सकते हैं।
मॉडल का प्रदर्शन प्रकाश व्यवस्था, जनसांख्यिकी और वातावरण के अनुसार भिन्न हो सकता है।
जब तक आत्मविश्वास की सीमा की निगरानी नहीं की जाती, तब तक झूठी सकारात्मक बातों पर ध्यान नहीं दिया जा सकता।
कार्यान्वयन रोडमैप
सटीकता, रिकॉल और त्रुटि लागत के लिए स्वीकृति मानदंड परिभाषित करें।
वास्तविक उत्पादन स्थितियों से मेल खाने वाले डेटा के साथ परीक्षण करें।
कम-आत्मविश्वास या उच्च-प्रभाव वाली भविष्यवाणियों के लिए मानवीय समीक्षा जोड़ें।
कैमरा या डेटासेट में बदलाव के बाद मॉडल बहाव को ट्रैक करें और पुनः सत्यापित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Make-A-Video Text-to-Video quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
Sora और टेक्स्ट-टू-वीडियो
अक्सर पूछे जाने वाले प्रश्नों
What is Make-A-Video Text-to-Video?
मेक-ए-वीडियो Meta का 2022 सिस्टम है जो लेबल किए गए टेक्स्ट-वीडियो जोड़े पर प्रशिक्षण के बिना टेक्स्ट प्रॉम्प्ट को एक छोटी वीडियो क्लिप में बदल देता है। यह मायने रखता है क्योंकि इससे पता चला कि टेक्स्ट-टू-इमेज मॉडल के अंदर दृश्य ज्ञान को केवल बिना लेबल वाले वीडियो का उपयोग करके स्थानांतरित करना 'सिखाया' जा सकता है।
वह केंद्रीय नवाचार क्या था जिसने मेक-ए-वीडियो को लेबल किए गए टेक्स्ट-वीडियो जोड़े की आवश्यकता से बचने दिया?
मेक-ए-वीडियो समस्या को कम करता है: एक टेक्स्ट-टू-इमेज मॉडल सीखता है कि कैप्शन वाली छवियों से चीजें कैसी दिखती हैं, जबकि अलग-अलग अस्थायी परतें कच्चे, बिना लेबल वाले वीडियो से गति सीखती हैं।
मेक-ए-वीडियो किसी छवि मॉडल में गति क्षमता कैसे जोड़ता है?
यह नई अस्थायी परतों के साथ 2डी स्थानिक संकल्प और ध्यान का विस्तार करता है जो सीखता है कि समय के साथ सामग्री कैसे बदलती है।
फ़्रेम-इंटरपोलेशन और सुपर-रिज़ॉल्यूशन चरण क्या करते हैं?
मोटे लो-रेजोल्यूशन, लो-फ्रेम-रेट ड्राफ्ट के बाद, इंटरपोलेशन फ्रेम जोड़ता है और सुपर-रिज़ॉल्यूशन मॉड्यूल रिज़ॉल्यूशन बढ़ाता है।
मेक-ए-वीडियो के आउटपुट की एक विशिष्ट सीमा क्या थी?
क्लिप केवल कुछ सेकंड की थीं, अपेक्षाकृत कम रिज़ॉल्यूशन वाली थीं, और अस्थायी झिलमिलाहट और विरूपण की संभावना थी।