Η Google προσθέτει δημιουργία ομιλίας στο Frames to Video του Flow και επεκτείνει το Flow σε πάνω από 140 χώρες

Τι κυκλοφόρησε ουσιαστικά αυτή την εβδομάδα

Η Google έκανε δύο συγκεκριμένες αλλαγές στο Flow, το εργαλείο κινηματογράφησης που κυκλοφόρησε τον Μάιο. Πρώτον, η ροή εργασίας Frames to Video —όπου παρέχετε τη δική σας εικόνα ως αρχικό καρέ ενός βίντεο— μπορεί πλέον να δημιουργεί προφορική ομιλία μέσω του Veo 3, όχι μόνο τα ηχητικά εφέ και τον περιβαλλοντικό θόρυβο που υποστήριζε ήδη. Δεύτερον, το Frames to Video είναι πλέον διαθέσιμο στο Veo 3 Fast, το οποίο η Google παρουσιάζει ρητά με όρους απόδοσης πιστωτικών μονάδων: «ώστε να αξιοποιείτε ακόμα περισσότερο τις πιστωτικές σας μονάδες».

Η εταιρεία αναφέρει ότι «δεκάδες εκατομμύρια βίντεο έχουν δημιουργηθεί στο Flow» από την κυκλοφορία του τον Μάιο. Αυτό είναι το μόνο στοιχείο χρήσης στην ανακοίνωση, και αξίζει να το διαβάσετε ως έναν χονδρικό δείκτη κλίμακας παρά ως ακριβή μέτρηση—μας δείχνει ότι το εργαλείο έχει απήχηση, όχι πόσοι χρήστες ή πόση διατήρηση χρηστών υπάρχει από πίσω.

Η ομιλία είναι η συγκεκριμένη δυνατότητα, και είναι ακόμα πειραματική

Η διάκριση που έχει σημασία εδώ είναι μεταξύ περιβαλλοντικού ήχου και διαλόγου. Η προσθήκη ηχητικών εφέ και περιβαλλοντικού θορύβου σε ένα δημιουργημένο βίντεο είναι ζήτημα υφής· η δημιουργία ομιλίας συνδεδεμένης με ένα αρχικό καρέ είναι ζήτημα συγχρονισμού και κατανοησιμότητας. Η Google είναι ξεκάθαρη ότι δεν το έχει λύσει πλήρως.

Η δημιουργία ήχου στο Flow είναι ακόμα πειραματική και συνεχίζουμε να τη βελτιώνουμε, οπότε τα αποτελέσματα μπορεί να ποικίλλουν.Montana Labs

Αυτή η επισήμανση είναι ο ειλικρινής πυρήνας της κυκλοφορίας. Η δημιουργία ομιλίας πάνω σε μια εικόνα που παρέχει ο χρήστης είναι ακριβώς το είδος δυνατότητας όπου τα αποτελέσματα υποβαθμίζονται απρόβλεπτα—η ευθυγράμμιση των χειλιών, ο τόνος και ο χρονισμός πρέπει όλα να συγκλίνουν σε ένα καρέ που δεν δημιούργησε το μοντέλο. Η κυκλοφορία της με την ετικέτα πειραματική είναι η ορθή επιλογή, και οι ομάδες που αξιολογούν το Flow θα πρέπει να αντιμετωπίζουν την ομιλία ως πρόχειρο μηχανισμό, όχι ως μηχανισμό τελικής απόδοσης.

Η γεωγραφική επέκταση είναι η μεγαλύτερη διαρθρωτική κίνηση

Παράλληλα με τη δυνατότητα, η Google επέκτεινε το Flow και το πρόγραμμα Google AI Ultra σε 76 ακόμα χώρες, φέρνοντας το Flow σε πάνω από 140 χώρες για συνδρομητές του Google AI Pro ή Ultra. Αριθμητικά, η αλλαγή διανομής φτάνει σε περισσότερους ανθρώπους από τη δυνατότητα ομιλίας—η πρόσβαση είναι το εμπόδιο, και η Google απλά το διεύρυνε σημαντικά.

Οι υποσημειώσεις έχουν εδώ μεγαλύτερη σημασία από το συνηθισμένο. Η Google προειδοποιεί ότι «η διαθεσιμότητα λειτουργιών προϊόντος μπορεί να διαφέρει ανάλογα με τη χώρα χρήσης» και ότι «ορισμένοι τύποι εικόνων ενδέχεται να μην υποστηρίζονται». Άρα ο αριθμός των 140 χωρών είναι ανώτατο όριο για την παρουσία του Flow, όχι εγγύηση ότι η δημιουργία ομιλίας ή το Frames to Video λειτουργούν πανομοιότυπα παντού. Όποιος σχεδιάζει με βάση αυτό θα πρέπει να επιβεβαιώνει τη συγκεκριμένη δυνατότητα στη συγκεκριμένη αγορά αντί να υποθέτει ισοδυναμία.

Τι σηματοδοτεί αυτός ο συνδυασμός για όσους χτίζουν πάνω σε γεννητική βιντεοπαραγωγή

Ο συνδυασμός—μιας πειραματικής δυνατότητας διαλόγου μαζί με μια ευρεία προσπάθεια διαθεσιμότητας—υποδηλώνει ότι η Google δίνει προτεχνολογία στην εμβέλεια έναντι της τελειοποίησης σε αυτό το στάδιο. Τοποθετεί μια δυνατότητα που παραδέχεται ότι «μπορεί να ποικίλλει» σε δεκάδες νέες αγορές ταυτόχρονα, και προωθεί το πιο οικονομικό μονοπάτι Veo 3 Fast ώστε οι πιστωτικές μονάδες να αποδίδουν περισσότερο. Για τις ομάδες εφαρμοσμένης ΤΝ, η πρακτική συνέπεια είναι να χτίζουν ροές εργασίας που ανέχονται τη διακύμανση: να χρησιμοποιούν την έξοδο ομιλίας του Flow όπου ένας άνθρωπος ελέγχει και επαναδημιουργεί τα βίντεο, να την περιορίζουν πίσω από ελέγχους δυνατοτήτων ανά χώρα, και να προβλέπουν στον προϋπολογισμό τις διαφορές πιστωτικών μονάδων μεταξύ Veo 3 και Veo 3 Fast αντί να υποθέτουν ένα ενιαίο προφίλ κόστους σε όλη τη νέα διευρυμένη εμβέλεια.