از امروز میتوانید تنها با دادن یک تصویر و نوشتن یک دستور متنی ساده، یک ویدیوی سینمایی با حرکات کاملا طبیعی تحویل بگیرید که جلوههای صوتی، صدای محیط و حتی دیالوگ شخصیتهای آن به صورت هوشمندانه با تصویر همگامسازی شده است! این همان جهش بزرگی است که شرکت xAI با معرفی نسخه جدید مدل هوش مصنوعی خود به آن دست یافته است.
به نقل از شرکت xAI و kucoin مدل Grok Imagine Video 1.5 رسما رونمایی شد. این مدل قدرتمند که بهترین ابزار تبدیل تصویر به ویدیوی این شرکت تا به امروز به شمار میرود، هماکنون به طور عمومی در اختیار کاربران قرار گرفته است. دسترسی کامل به این مدل از طریق پلتفرم وب در آدرس grok.com/imagine، اپلیکیشنهای موبایل (iOS و اندروید) و همچنین نسخه توسعهدهندگان (API) فراهم شده است.
ویژگیهای هوش مصنوعی Grok Imagine Video 1.5
شرکت xAI در توسعه نسخه جدید بر روی سه محور اصلی یعنی کیفیت صدا، فیزیک حرکت و سرعت تمرکز کرده است. تغییرات و قابلیتهای اصلی این مدل شامل موارد زیر است:
- همگامسازی صوتی-تصویری پیشرفته: در این نسخه، جلوههای صوتی، صدای محیط و دیالوگ کاراکترها تنها در «یک مرحله استنتاج» همراه با ویدیو خلق میشوند. این نوآوری باعث افزایش چشمگیر وضوح گفتار و بهبود دقت همگامسازی حرکات لب (Lip-sync) با صدا شده است.
- بهبود موتور فیزیک و ثبات حرکتی: ارتقای فیزیکی مدل باعث شده است که حرکت اشیاء و حس وزن آنها در سکانسهای طولانی واقعگرایانهتر جلوه کند و بههمریختگیهای تصویری به حداقل برسد.
- سرعت تولید دو برابر: نسخه سبکوزن Video 1.5 Fast سرعت کار را به شدت بالا برده است. این مدل، ویدیوهای ۶ ثانیهای با رزولوشن 720p را تنها در حدود ۲۵ ثانیه تولید میکند؛ در حالی که این زمان در مدل قبلی بیش از ۴۰ ثانیه بوده است.
پشت صحنه تیزر سینمایی ادیسه: تیمی از هنرمندان دیجیتال به رهبری دیوید تامپسون، با استفاده از قابلیتهای خیرهکننده مدل جدید Grok، یک تیزر سینمایی جذاب به نام «ادیسه» (Odyssey) ساختهاند که تمام مراحل تولید آن توسط این هوش مصنوعی انجام شده است.
بهروزرسانی پلتفرم وب و ابزارهای جدید مدیریت پروژه
همگام با عرضه این مدل، در چند روز آینده ویژگیهای جدیدی نیز برای بهبود گردش کار خلاقانه کاربران به نسخه وب اضافه میشود:
- پروژهها (Projects): امکان سازماندهی و دستهبندی کارها در قالب پروژههای مجزا در نوار کناری سمت چپ.
- عوامل چندگانه (Multiple agents): قابلیت اجرای همزمان چندین پرامپت (دستور متنی) به صورت موازی بدون نیاز به انتظار برای اتمام ویدیوی قبلی.
- جستجو (Search): قابلیت جستجوی معنایی در کتابخانه رسانهای برای یافتن سریع تصاویر و ویدیوهای ساختهشده.
این مدل اکنون از حالت پیشنمایش خارج شده است و در xAI API تحت عنوان grok-imagine-video-1.5 در دسترس قرار دارد. کاربران برای کار با آن کافی است یک تصویر اولیه را بارگذاری کنند، نوع حرکت را توصیف نمایند و در نهایت، رزولوشن و مدت زمان ویدیو را مشخص کنند.
