زومیت/ گوگل در رقابت با Sora اوپن‌ای‌آی، مدل هوش مصنوعی Veo را برای تبدیل متن به ویدئوهای 1080p رونمایی کرد.
 
گوگل در مراسم Google I/O امسال مدل‌های هوش مصنوعی تولید ویدئو و عکس جدید خود را برای رقابت با Sora و Dall-E 3 اوپن‌ای‌آی رونمایی کرد. مدل Veo ویدیوهای 1080p تولید می‌کند و Imagen 3، نسخه‌ی بهبودیافته‌ی پلتفرم تبدیل متن‌ به‌ تصویر گوگل است.

گوگل مدعی است Veo با «درک پیشرفته‌ای از زبان طبیعی و مفاهیم تصویری» می‌تواند ویدئوهای در ذهن‌تان را خلق کند. ویدئوهای تولید‌شده با هوش مصنوعی Veo می‌توانند «بیشتر از یک دقیقه» باشند و این هوش مصنوعی تکنیک‌های سینمایی مختلف مثل مفهوم تایم‌لپس را درک می‌کند.

به‌گفته‌ی گوگل، Veo می‌تواند قوانین فیزیک دنیای واقعی را بهتر از مدل‌های قبلی شبیه‌سازی کند و رندر تصاویر باکیفیت را با عملکرد بهبود‌یافته‌ای به‌نمایش بگذارد.

مدل Veo بر بستر ابزار VideoFX گوگل از امروز دردسترس برخی از تولید‌کنندگان محتوا قرار خواهد گرفت و قرار است «در آینده» به Shorts یوتیوب و محصولات دیگر اضافه شود تا کاربران عادی نیز بتوانند از این قابلیت استفاده کنند.

گوگل می‌گوید که Imagen 3 «باکیفیت‌ترین» مدل تبدیل متن‌ به‌ تصویر این شرکت است که از سطح شگفت‌انگیزی از جزئیات برای تولید تصاویر واقع‌گرایانه بهره می‌برد. به‌گفته‌ی گوگل، Imagen 3 بهتر از قبل متن را درک می‌کند و هوشمندانه‌تر ازپس جزئیات متن‌های ورودیِ طولانی برمی‌آید؛ هرچند برای قضاوت باید منتظر مقایسه‌ی عملکرد مدل گوگل با رقیب قدرش، Dall-E 3، ماند.

گوگل در‌کنار این دو مدل، ابزار جدیدی به‌ نام Music AI Sandbox را برای تولید آهنگ و بیت به‌کمک هوش مصنوعی معرفی کرد. به‌گفته‌ی گوگل، این ابزار به‌کمک آهنگ‌سازها و ترانه‌سراها توسعه یافته است. فعلاً جزئیات بیشتری از این ابزار دردسترس نیست؛ اما دموهایی که از عملکرد آن در رویداد به‌نمایش گذاشته شد، جذاب به‌نظر می‌رسیدند.