Η Google φέρνει τέσσερα μοντέλα δημιουργικών μέσων κάτω από τη στέγη του Vertex AI

Τι κυκλοφόρησε στην πραγματικότητα, και σε ποια κατάσταση

Η Google ανακοίνωσε τέσσερις ενημερώσεις δημιουργικών μέσων για το Vertex AI στο Google Cloud Next. Μόνο μία από αυτές, η Imagen 3, ήρθε ως μια απλή βελτίωση δυνατοτήτων. Οι άλλες τρεις έχουν επιφυλάξεις που αξίζει να διαβάσετε προσεκτικά.

Η Lyria, το μοντέλο μετατροπής κειμένου σε μουσική, βρίσκεται σε ιδιωτική προεπισκόπηση με λίστα επιτρεπόμενων χρηστών. Τα νέα εργαλεία επεξεργασίας και ελέγχου κάμερας του Veo 2 βρίσκονται σε προεπισκόπηση με λίστα επιτρεπόμενων χρηστών. Το Instant Custom Voice του Chirp 3 είναι νέο, αλλά η κατάσταση διάθεσής του περιγράφεται μόνο ως ενταγμένη στο Chirp 3. Η βελτιωμένη δημιουργία, η συμπλήρωση εικόνων και η αφαίρεση αντικειμένων της Imagen 3 είναι το πιο κοντά σε γενικά διαθέσιμη χρήση.

Έτσι, ο τίτλος περί "τέσσερις μεγάλες ενημερώσεις" είναι στην πραγματικότητα ένα σύνολο λειτουργιών που κυκλοφόρησε και τρία με περιορισμένη πρόσβαση. Οι ομάδες που αξιολογούν αυτό θα πρέπει να σχεδιάσουν με βάση την πρόσβαση μέσω λίστας επιτρεπόμενων χρηστών και όχι με την υπόθεση ότι θα μπορούν να καλέσουν αυτά τα μοντέλα από αύριο.

Ο συγκεκριμένος ισχυρισμός: μία ενιαία πλατφόρμα για τέσσερις τύπους μέσων

Η πρόταση που στηρίζει την ανακοίνωση αφορά την κάλυψη, όχι την ποιότητα κάποιου μεμονωμένου μοντέλου.

Αυτές οι ενημερώσεις κάνουν το Vertex AI τη μόνη πλατφόρμα με μοντέλα δημιουργικών μέσων που καλύπτουν βίντεο, εικόνα, ομιλία και μουσική.Montana Labs

Η προσθήκη της Lyria για τη μουσική είναι αυτό που συμπληρώνει το σύνολο. Το βίντεο (Veo 2), η εικόνα (Imagen 3) και η ομιλία (Chirp 3) υπήρχαν ήδη· η μουσική ήταν η κατηγορία που έλειπε. Γι' αυτό αυτή η δέσμη ανακοινώθηκε μαζί — μετατρέπει μια μερική γκάμα σε πλήρη.

Το αν η ευρύτητα έχει σημασία εξαρτάται από τον αγοραστή. Μια ομάδα που χρειάζεται μόνο επεξεργασία εικόνων δεν κερδίζει τίποτα από το γεγονός ότι η δημιουργία μουσικής βρίσκεται στην ίδια πλατφόρμα. Όμως μια ομάδα που χτίζει, για παράδειγμα, ροές παραγωγής περιεχομένου μάρκετινγκ που αγγίζουν πολλούς τύπους μέσων, ωφελείται από μία σχέση χρέωσης, ένα μοντέλο IAM και ένα σύνολο API αντί να συνδυάζει ξεχωριστούς προμηθευτές.

Οι πιο συγκεκριμένοι αριθμοί βρίσκονται στα Chirp 3 και Veo 2

Δύο λεπτομέρειες στην ανακοίνωση είναι αρκετά συγκεκριμένες ώστε να σχεδιάσει κανείς γύρω τους. Το Instant Custom Voice του Chirp 3 δημιουργεί προσαρμοσμένη φωνή από μόλις 10 δευτερόλεπτα ηχητικής εισόδου. Αυτό είναι αρκετά χαμηλό όριο για να αλλάξει τον τρόπο που τα προϊόντα με φωνητική διεπαφή διαχειρίζονται την ένταξη νέων χρηστών — μπορείτε να καταγράψετε ένα χρησιμοποιήσιμο δείγμα σε μία σύντομη ηχογράφηση.

Η ιστορία επεξεργασίας του Veo 2 περιγράφεται με όρους ονομαστικών τεχνικών: παρεμβολή (interpolation) για ομαλές μεταβάσεις μεταξύ καρέ, και επέκταση πλαισίου (outpainting) για να επεκτείνει το πλαίσιο υπάρχοντος υλικού και να το αναμορφώσει για web και κινητά. Αυτό το τελευταίο είναι ένα εργαλείο αναμόρφωσης — παίρνει παραδοσιακό βίντεο και παράγει κάθετες ή εναλλακτικές αναλογίες διαστάσεων χωρίς νέα λήψη.

Η συμπλήρωση εικόνων (inpainting) της Imagen 3 ανακατασκευάζει ελλιπή ή κατεστραμμένα τμήματα μιας εικόνας, και οι επεξεργασίες αφαίρεσης αντικειμένων περιγράφονται ως υψηλότερης ποιότητας. Αυτές είναι λειτουργίες ρετουσάρισμα, τοποθετημένες ως αντικατάσταση της χειρωνακτικής επεξεργασίας παρά ως δημιουργία εξ ολοκλήρου νέων εικόνων.

Η μετατόπιση προς την επεξεργασία είναι το πραγματικό σήμα για τους χρήστες του Vertex AI

Το κοινό νήμα ανάμεσα στα Veo 2 και Imagen 3 είναι η επεξεργασία υπαρχόντων στοιχείων, όχι απλώς η δημιουργία από μια προτροπή. Οι έλεγχοι κάμερας, η παρεμβολή, η επέκταση πλαισίου, η συμπλήρωση εικόνων και η αφαίρεση αντικειμένων λειτουργούν όλα πάνω σε περιεχόμενο που υπάρχει ήδη.

Αυτό έχει σημασία γιατί η εργασία με μέσα σε επιχειρησιακό επίπεδο είναι κυρίως τροποποίηση, όχι δημιουργία από το μηδέν. Μια εταιρεία διαθέτει ήδη υλικό και εικόνες που κατέχει και χρειάζεται να επαναχρησιμοποιήσει, να καθαρίσει και να αναμορφώσει. Η τοποθέτηση αυτών των μοντέλων ως εργαλεία βελτίωσης απευθύνεται πιο άμεσα σε αυτή την πραγματικότητα από μια ακόμη επίδειξη μετατροπής κειμένου σε βίντεο.

Η πρακτική συνέπεια για τις ομάδες που χρησιμοποιούν το Vertex AI: η βραχυπρόθεσμη αξία εδώ βρίσκεται πιθανότατα στην επεξεργασία της Imagen 3 και, μόλις βγει από τη λίστα επιτρεπόμενων χρηστών, στην αναμόρφωση του Veo 2 — μετατρέποντας ένα στοιχείο σε πολλές μορφές — παρά στη δημιουργία μουσικής της Lyria, που παραμένει το πιο πειραματικό και περιορισμένης πρόσβασης κομμάτι της ανακοίνωσης.