30 ثانیه بیشتر از یک بار نیست: Seedance 2.5 مشکل ویدیوهای AI را به خارج از کادر منتقل کرد

خبرگزاری CoinWorld گزارش می‌دهد:

اولین بار که کسی با AI ویدیو می‌سازد، معمولاً به سرعت دو مرحله را تجربه می‌کند.

ابتدا هیجان است. شخصیت‌ها حرکت می‌کنند، دوربین زوم می‌کند و نور و سایه‌ها به خوبی کار می‌کنند. بعد از چند بار تلاش، هیجان به احساس دیگری تبدیل می‌شود: دوربین‌های زیبا جمع شده‌اند، اما وقتی در خط زمانی قرار می‌گیرند، به نظر نمی‌رسد که یک فیلم باشند. این شخص هنوز لباس سیاه پوشیده بود، اما با چرخش دوربین یقه‌اش تغییر کرده است؛ در یک ثانیه باران می‌بارد و در ثانیه بعد زمین خشک است؛ تصاویر به تنهایی خوب به نظر می‌رسند، اما وقتی کنار هم قرار می‌گیرند، نادرست می‌شوند.

Seedance 2.5 محدودیت تولید یکباره را از 15 ثانیه به 30 ثانیه افزایش داده و می‌تواند به طور همزمان تصاویر، ویدیوها و صداهای بیشتری را دریافت کند. پس از راه‌اندازی در اواخر جولای، بحث‌ها تقریباً حول "30 ثانیه خروجی مستقیم" می‌چرخید. اما کسانی که از مدل‌های ویدیویی استفاده کرده‌اند می‌دانند که دو برابر شدن زمان فقط به معنای انتظار بیشتر نیست.

15 ثانیه برای انجام یک حرکت، یک جو، یا یک نمایش محصول کافی است. 30 ثانیه شروع به شکل‌گیری حداقل داستان می‌کند: شخصیت باید از یک حالت به حالت دیگر برود، حرکات باید دلیلی داشته باشند و احساسات باید نقطه‌ای داشته باشند. اگر شخصیت چند قدم بیشتر بردارد، چیزهایی که مدل باید به خاطر بسپارد به طور تصاعدی افزایش می‌یابد.

در آزمایش Geek Park، یک صحنه کافه نوشته شد: خبرنگار به یک سند خالی خیره شده، قهوه می‌نوشد و شروع به تایپ می‌کند، بیرون از پنجره از زرد گرم به آبی تیره تغییر می‌کند و در نهایت لپ‌تاپ را می‌بندد. کلمات کلیدی پیچیده نیستند، اما چالش‌ها در فرآیند نهفته‌اند - رابطه دست و فنجان، تغییر نور بیرون، ریتم تایپ کردن و تغییر حالت چهره از اضطراب به آرامش. اگر این جزئیات دو یا سه بار اشتباه شود، تماشاگر از داستان خارج می‌شود.

بنابراین، فشار ناشی از Seedance 2.5 ابتدا بر دوش خالقان است. قبلاً نوشتن یک جمله "احساس سینمایی، غروب، زوم آرام" کافی بود تا یک قطعه زیبا به دست آید؛ اکنون باید ابتدا مشخص شود که در 30 ثانیه چه اتفاقی می‌افتد.

حجم مواد نیز همین مشکل را دارد. مدل می‌تواند تصاویر، ویدیوها و صداهای بیشتری را ببلعد، اما مواد به طور خودکار در یک صف قرار نمی‌گیرند. کدام تصویر مسئول شخصیت است، کدام ویدیو فقط برای حرکت دوربین است، موسیقی از کجا شروع می‌شود و کدام مرجع با یکدیگر در تضاد است، همه باید توسط کسی تصمیم‌گیری شود. کادر ورودی در حال تبدیل شدن به یک میز کار است.

این همچنین دلیل گرمی مجدد "هوشمند کردن ویدیو" و "مدیریت صحنه" است. آن‌ها کار خاصی انجام نمی‌دهند: یک ویدیو بالغ را به صحنه‌ها، حرکات و موسیقی تقسیم می‌کنند تا خالقان بدانند که دقیقاً چه چیزی را تقلید می‌کنند و سپس مواد مرجع را به بخش‌های مربوطه اختصاص می‌دهند.

تولید ویدیو به اینجا رسیده است، کمی شبیه عکاسی دیجیتال اولیه است. دوربین‌ها هر روز هوشمندتر می‌شوند، اما این به معنای ناپدید شدن ترکیب و ویرایش نیست، بلکه فقط باعث می‌شود که فشار دادن دکمه شاتر ارزان‌تر شود. ویدیوهای AI نیز همین‌طور هستند. مدل مسئول تولید مواد است، اما تولید نهایی هنوز به انتخاب بستگی دارد.

30 ثانیه همچنین تقسیم کار داخلی تیم را تغییر داده است. در عصر قطعات کوتاه، معمولاً کسی که با مدل آشنا است، مسئول نوشتن کلمات کلیدی، انتخاب و ویرایش اولیه است؛ با طولانی‌تر شدن دوربین، پیش‌نویس و مدیریت دارایی دوباره اهمیت پیدا می‌کند. باید مشخص شود که چه زوایایی برای همان شخصیت آماده می‌شود، لباس و لوازم در کدام صحنه‌ها باید ادامه یابند و آیا صدا به طور مستقیم از مدل تولید می‌شود یا بعداً اضافه می‌شود. در غیر این صورت، زمانی که در ابتدا صرفه‌جویی در زمان فیلم‌برداری می‌شود، ممکن است به بازسازی بی‌پایان تبدیل شود.

این همچنین جایی است که "50 مرجع" به راحتی می‌تواند به اشتباه تفسیر شود. ظرفیت نشان‌دهنده این است که مدل اجازه می‌دهد چه مقدار اطلاعات وارد شود، اما تضمینی وجود ندارد که هر یک از این اطلاعات به طور یکسان درک شود. هرچه مرجع بیشتر باشد، احتمال تضاد بیشتر است. آنچه خالقان باید انجام دهند این نیست که ظرفیت را پر کنند، بلکه باید به مواد اولویت بدهند: این تصویر صورت را قفل می‌کند، آن بخش فقط حرکات را مرجع می‌کند و این مسیر صوتی ریتم را تعیین می‌کند. در اینجا، کلمات کلیدی بیشتر شبیه یک برنامه ساده‌سازی شده برای فیلم‌برداری هستند.

مسائل مربوط به حق نشر نیز با افزایش زمان بزرگ‌تر می‌شوند. یک چهره مشابه، یک ثانیه نزدیک به ترکیب یک فیلم خاص، ممکن است در انتشار تکه‌تکه شده به سرعت بگذرد؛ اما در یک روایت کامل، منبع شخصیت‌ها، صحنه‌ها و موسیقی به راحتی قابل شناسایی است. اگر تیم تجاری قصد دارد ویدیوهای تولید شده را برای تبلیغات و سریال‌ها استفاده کند، تنها "مدل می‌تواند تولید کند" کافی نیست، بلکه باید منبع مواد مرجع، دامنه مجوز و سوابق هر تغییر را حفظ کند.

صدا نیز نمی‌تواند فقط به "آیا همزمان تولید می‌شود" نگاه کند. آیا دیالوگ‌ها بریده می‌شوند، آیا صدای محیط به طور ناگهانی قطع می‌شود و آیا موسیقی شخصیت‌ها را تحت‌فشار قرار می‌دهد، همه باید مورد بررسی قرار گیرد. پس از اینکه تصویر قابل مشاهده شد، مسائلی که قبلاً توسط ضبط، ویرایش و میکس حل می‌شد، یکی یکی به فرآیند بازمی‌گردد.

برای تیم‌های تجاری، حساب‌ها باید دقیق‌تر محاسبه شوند. نمای نزدیک شخصیت اصلی ارزش دارد که با مدل‌های با کیفیت بالا بارها تولید شود، اما یک صحنه خیابانی نیم‌ثانیه‌ای ممکن است ضروری نباشد. هر برش با گران‌ترین مدل‌ها انجام شود، لزوماً به معنای بهتر شدن تولید نهایی نیست و ممکن است صورتحساب محاسباتی به سرعت خارج از کنترل شود. اینکه آیا 30 ثانیه قابل استفاده است یا نه، نه به نمایش‌های رسمی و چقدر شگفت‌انگیز است، بلکه به این بستگی دارد که یک تیم برای به دست آوردن نسخه قابل تحویل چند بار باید کار کند.

بدون شک، Seedance 2.5 یک ارتقاء توانایی است. این باعث می‌شود که ثبات شخصیت و بیان مداوم یک قدم جلوتر برود و مشکل از "آیا مدل می‌تواند آن را ترسیم کند" به "آیا خالق می‌داند چه می‌خواهد" تغییر می‌کند.

یک دقیقه، دو دقیقه به زودی خواهد آمد. در آن زمان، شرکت‌های مدل‌سازی به صحبت درباره زمان ادامه خواهند داد و کسانی که واقعاً فیلم می‌سازند احتمالاً فقط به سه چیز اهمیت می‌دهند: این خط چند بار تغییر می‌کند، هزینه‌اش چقدر است و آیا تماشاگران مایلند آن را تا پایان ببینند.