Eit gjennombrot i AI-videoproduksjonsteknologi gjer seg gjeldande i Kina då ein ny modell med høg kvalitet på linje med OpenAI sitt «Soar» har dukka opp. Sjølv om den offisielle lanseringa av denne teknologien enno ikkje har skjedd, og autentisiteten framleis må stadfestast, har det førebelse innhaldet som er delt av selskapet under utvikling skapt merksemd for den imponerande kvaliteten.
Den 7. mars rapporterte Tom’s Guide at det kinesiske videoplattformselskapet Kuaishou lanserte ein prøvevideo som viser moglegheitene til sin AI-modell ved namn «Kling.» Gjennom selskapet sin nettstad demonstrerer prøvevideoar modellen si evne til å generere opp til to minutt med video med 30 bilder per sekund i 1080p-oppløysing utifrå ein enkelt førespurnad. Modellen blir beskrive som framifrå på å simulere verkelege fysikk, ei eigenskap som har vore utfordrande for andre AI-modellar.
Kling brukar den same «diffusjonstransformer»-arkitekturen som Soar og støttar ulike aspektforhold og kameravinklar. I tillegg til videogenerering har Kuaishou også lansert eit «AI Dansar»-verktøy som kan skape heilengde 3D-videoar av song og dans utifrå berre eit enkelt fotografi.
Per no har Kling sin heimeside 13 prøvevideoar, inkludert 12 fem-sekunders klipp og eitt som varar eit minutt og 31 sekund. Selskapet held på å lansere nye videoar via si offisielle YouTube-kanal.
Tom’s Guide har lovprisa modellen og antyder at kvaliteten er så nær Soar si at den potensielt kan overskygge den. Kuaishou er ein betydeleg aktør i det kinesiske kortformvideomarknaden, berre slått av TikTok-søsterappen Douyin. Tidlegare i mai lanserte selskapet også ein stor språkmodell, «KwaiYii», og ein bildegenereringsmodell ved namn «Kolors.»
Kuaishou hintar at funksjonane som blir demonstrerte av Kling-modellen snart vil resultere i lanseringa av nye bilete-til-video-funksjonar.
Oppkomsten av kinesisk AI i videoproduksjonssektoren
Kunstig intelligens (AI)-feltet har raskt utvikla seg, spesielt innan videoproduksjonsteknologi. Medan OpenAI sitt Soar tidlegare har vore ein viktig modell på dette området, indikerer Kina sin utvikling av «Kling» av Kuaishou ein stadig aukande konkurranse i bransjen. Denne teknologien kan revolusjonere innhaldsskaping ved å la brukarar generere høgkvalitetsvideoar raskt og effektivt.
Eit viktig spørsmål som kjem fram frå denne nyheiten er: Korleis måler Kling seg mot OpenAI sitt Soar når det gjeld funksjonalitet og ytelse? Sjølv om direkte samanlikningar er vanskeleg utan offentleg tilgang til Kling og ytterlegare detaljar, tyder dei rapporterte funksjonane – realistisk simulering av fysikk, variasjon av aspektforhold og sanntidsvideogenerering – på ein modell som i det minste er på linje med ytelsen til Soar.
Nøkkelutfordringar innan AI-videogenerering inkluderer å skape realistisk og sømlaust opptak, gjenskape kompleks menneskerørsla og sikre at AI-genererte videoar ikkje vert brukt til ondsinna føremål, som til dømes deepfakes. Kjernespørsmåla kan dreie seg om potensiell misbruk, innverknaden på kreative næringar og bekymringar om intellektuell eigedom.
Fordelane med slike AI-videogenereringsmodellar inkluderer:
– Effektiviserte produksjonspipeliner for filmskaparar og innhaldsskaparar
– Lågare kostnader for å generere høgkvalitetsvideomateriale
– Auka kreativitet med AI-genererte scener og karakterar
Ulempene kan derimot omfatte:
– Risiko for jobbutskifting innan visse sektorar av videoproduksjonsindustrien
– Etiske spørsmål om bruken av syntetiske medium
– Reguleringsmessige utfordringar og potensial for spreiing av misinformasjon
Med omsyn til den potensielle innverknaden av dette gjennombrotet, er det avgjerande å halde ein dialog om ansvarleg AI-bruk og etablere nødvendige rammeverk for å dempe eventuelle skadelege effektar. For meir informasjon om dei siste fremskrittane innan AI-teknologi, kan ein sjå til autoritative kjelder som OpenAI eller teknologinettstader.
The source of the article is from the blog myshopsguide.com