ظهور سورا: هوش مصنوعی چگونه استdefiچشم انداز ایجاد محتوای ویدیویی

این مقاله را به اشتراک بگذارید

• 
• 
• 
• 
• 

by ژاوهازین شادن

تاریخ انتشار: 24 آوریل 2024 ساعت 8:06 بروزرسانی: 24 آوریل 2024 ساعت 8:07 ق.ظ.

by آناستازیا او

ویرایش و بررسی شده: 24 آوریل 2024 ساعت 8:06 صبح

برای بهبود تجربه زبان محلی شما، گاهی اوقات از یک افزونه ترجمه خودکار استفاده می کنیم. لطفاً توجه داشته باشید که ممکن است ترجمه خودکار دقیق نباشد، پس بخوانید اصلی مقاله برای اطلاعات دقیق

ادوبی اخیراً برنامه هایی را برای ادغام ابزارهای هوش مصنوعی مولد در خود فاش کرده است برنامه برتر نرم افزار. این حرکت، شامل اعطای دسترسی کاربران به ابزارهایی مانند OpenAISora مستقیماً در Premiere Pro، با هدف غنی‌سازی نرم‌افزار با قابلیت‌های مبتنی بر هوش مصنوعی مانند دستکاری صحنه و حذف حواس‌پرتی است.

هر چند OpenAISora در حال حاضر برای عموم قابل دسترسی نیست، Adobe ادغام خود را با Premiere Pro به عنوان یک ویژگی آزمایشی بدون ارائه جدول زمانی خاصی برای انتشار آن نشان داد.

Sora یک مدل پیشرفته متن به ویدئو AI است که به دلیل قولش برای تغییر کامل بازی ایجاد ویدیو مورد توجه قرار گرفت. این فناوری یک ابزار امیدوارکننده با جلوه های شدید برای همه کسانی است که کاری با تولید ویدیو، طراحی حرکت و انیمیشن دارند، این فناوری همچنین چالش های مهمی را به همراه دارد.

بیایید تمام جنبه های سورا باورنکردنی و مورد انتظار را بررسی کنیم.

متن به ویدیو؟

اساساً Sora برای ساختن ویدیوهای واقعی و بصری جذاب ساخته شده از پیام های متنی طراحی شده است. هدف سورا به عنوان یک برنامه نوآورانه هوش مصنوعی ساده کردن فرآیند تولید ویدیو و ارائه امکانات جدید برای فرآیندهای روایت و ارتباطات بصری است.

عملکرد Sora ریشه در توانایی آن در تفسیر و اجرای دستورات متنی برای ایجاد محتوای ویدیویی جذاب دارد. Sora با استفاده از تکنیک‌های پیشرفته یادگیری عمیق و درک زبان، متن ورودی را پردازش می‌کند و صحنه‌های بصری مربوطه را با شخصیت‌ها، تنظیمات و حرکت می‌سازد. این فرآیند شامل یک تعامل پیچیده بین پردازش زبان طبیعی و سنتز ویدئو است و خروجی تولید می‌کند که با اعلان‌های متنی ارائه شده مطابقت دارد.

در توسعه سورا، OpenAIتیم بر اهمیت ایجاد یک مدل هوش مصنوعی که درک عمیق زبان و درک قوی از اصول داستان‌گویی بصری را در بر می‌گیرد، تاکید کردند. طراحی سورا با ادغام پیشرفت‌های پیشرفته در درک زبان طبیعی و ترکیب ویدئو، ادغام منسجم بیان زبانی و بازنمایی بصری را در اولویت قرار می‌دهد.

حتی چگونه ممکن است؟

بنابراین، Sora به عنوان یک مدل انتشار شبیه به سایر هوش مصنوعی‌های مولد که با متن به تصویر کار می‌کنند، عمل می‌کند. این بدان معنی است که Sora هر فریم را با نویز ثابت شروع می کند، سپس تصاویر را به تصاویری تبدیل می کند که شبیه دستور داده شده و توضیحات مورد انتظار باشد. این به لطف یادگیری ماشینی امکان پذیر است. ویدئوهای Sora می توانند تا 60 ثانیه طول بکشند.

با توجه به سازگاری زمانی، Sora با در نظر گرفتن چندین فریم ویدئو به طور همزمان، نوآوری می کند و از انسجام در حرکت اشیا در صحنه اطمینان می دهد.

با ترکیب هر دو مدل انتشار و ترانسفورماتور، Sora از یک رویکرد ترکیبی مشابه پیروی می کند GPTمعماری ترانسفورماتور جک کیائو نقاط قوت مکمل این مدل‌ها را برجسته می‌کند، با انتشار در تولید بافت، اما فاقد ترکیب جهانی است، در حالی که ترانسفورماتورها در تعیین طرح‌بندی سطح بالا برتری دارند. این ترکیب از توانایی ترانسفورماتور برای سازماندهی وصله ها استفاده می کند در حالی که مدل انتشار جزئیات را پر می کند.

در پیاده‌سازی Sora، تصاویر به تکه‌های سه بعدی تقسیم می‌شوند تا پایداری زمانی را در خود جای دهند. این فرآیند توکن‌سازی را در مدل‌های زبان منعکس می‌کند، جایی که وصله‌ها عناصر مجموعه‌ای از تصاویر را نشان می‌دهند. علاوه بر این، یک مرحله کاهش ابعاد برای ساده‌سازی بازده محاسباتی اعمال می‌شود.

برای افزایش وفاداری ویدیو، سورا از تکنیک بازنویسی مشابه استفاده می‌کند DALL E 3، که در آن GPT درخواست های کاربر را با جزئیات بیشتر قبل از تولید ویدیو بازنویسی می کند. این به‌عنوان شکلی از پالایش سریع خودکار عمل می‌کند و از پایبندی وفادارانه به ورودی کاربر اطمینان می‌دهد.

سورا الان چقدر خوبه؟

OpenAI چندین محدودیت را در تکرار فعلی سورا تصدیق می کند. نکته قابل توجه، سورا فاقد درک ذاتی از فیزیک است، به این معنی که ممکن است به طور مداوم به اصول فیزیکی دنیای واقعی پایبند نباشد.

به عنوان مثال، مدل نمی تواند روابط علت و معلولی را درک کند، که منجر به تناقضات بالقوه می شود. به همین ترتیب، موقعیت مکانی اشیا ممکن است تغییرات غیرطبیعی را نشان دهد.

وقتی صحبت از قابلیت اطمینان می شود، وضعیت سورا نامشخص است. با اينكه OpenAI نمونه هایی ارائه کرده است که کیفیت بالایی را نشان می دهد، مشخص نیست که نمایش انتخابی تا چه حد رخ داده است. در برنامه های کاربردی تبدیل متن به تصویر، تولید تصاویر متعدد و انتخاب بهترین آنها یک روش معمول است. تعداد دقیق تصاویر تولید شده توسط OpenAI تیمی که ویدیوها را در مقاله اعلامیه خود به نمایش بگذارد فاش نشده است. این عدم شفافیت به طور بالقوه می تواند مانع پذیرش شود، به خصوص اگر برای به دست آوردن تنها یک نتیجه قابل استفاده، تولید صدها یا هزاران ویدیو لازم باشد. برای کاهش این عدم قطعیت، باید منتظر دسترسی گسترده تر به ابزار باشیم.

کجا سورا مورد استفاده قرار خواهد گرفت؟

قابلیت‌های Sora به ایجاد ویدیو از ابتدا، طولانی‌شدن فیلم‌های موجود، و پر کردن یکپارچه فریم‌های از دست رفته در ویدیوها گسترش می‌یابد.

مشابه اینکه چگونه ابزارهای هوش مصنوعی مولد متن به تصویر انقلابی در ایجاد تصویر بدون مهارت های ویرایش فنی ایجاد کردند، Sora نیز قصد دارد تولید ویدیو را بدون نیاز به تخصص ویرایش تصویر ساده کند. در اینجا برخی از سناریوهای کاربردی اولیه آورده شده است:

• Sora امکان ایجاد ویدیوهای کوتاه برای پلتفرم های رسانه های اجتماعی مانند TikTok، Instagram Reels و YouTube Shorts را فراهم می کند. به ویژه در تولید محتوایی که ممکن است فیلمبرداری با استفاده از روش‌های سنتی دشوار یا غیرعملی باشد، برتر است.
• به‌طور سنتی، تلاش‌های گران‌قیمت مانند تولید تبلیغات، ویدیوهای تبلیغاتی و نمایش محصول را می‌توان با ابزارهای هوش مصنوعی تبدیل متن به ویدیو مانند Sora که راه‌حل‌های مقرون‌به‌صرفه ارائه می‌دهد، به‌طور قابل توجهی ساده‌تر کرد.
• حتی اگر ویدیوهای تولید شده با هوش مصنوعی در محصولات نهایی ادغام نشده باشند، به عنوان ابزار ارزشمندی برای نشان دادن سریع مفاهیم عمل می کنند. فیلمسازان می توانند از هوش مصنوعی برای ماکت های صحنه قبل از فیلمبرداری استفاده کنند، در حالی که طراحان می توانند محصولات را قبل از ساخت تجسم کنند. برای مثال، یک شرکت اسباب‌بازی می‌تواند از Sora برای ایجاد یک مدل هوش مصنوعی از یک اسباب‌بازی کشتی دزدان دریایی جدید استفاده کند تا امکان‌سنجی آن را قبل از تولید انبوه ارزیابی کند.
• داده های ترکیبی در شرایطی که نگرانی های مربوط به حریم خصوصی یا امکان سنجی مانع استفاده از داده های واقعی می شود، ارزشمند هستند. در حالی که معمولاً برای داده‌های عددی مانند سوابق مالی و اطلاعات شخصی قابل شناسایی اعمال می‌شود، داده‌های مصنوعی با ویژگی‌های مشابه می‌توانند برای دسترسی وسیع‌تر تولید شوند. در حوزه ویدئو، داده های مصنوعی برای آموزش سیستم های بینایی کامپیوتری مفید است.

چالش های مرتبط با سورا

• به عنوان یک محصول تازه معرفی شده، خطرات Sora هنوز به طور کامل مشخص نشده است. با این حال، پیش‌بینی می‌شود که آنها مشابه مدل‌های متن به تصویر باشند.
• بدون پادمان‌های کافی، سورا پتانسیل ایجاد محتوای اعتراض‌آمیز یا نامناسب، مانند ویدیوهای حاوی خشونت، تصاویر گرافیکی، مطالب صریح جنسی، نمایش‌های تحقیرآمیز گروه‌های خاص، و تبلیغ یا تمجید از فعالیت‌های غیرقانونی را دارد. محتوای نامناسب می تواند بسته به کاربر (مانند یک کودک در مقابل یک بزرگسال) و شرایطی که تحت آن فیلم ها تولید می شود (مانند یک ویدیوی آموزشی در مورد خطرات آتش بازی که به طور ناخواسته صحنه های گرافیکی را نشان می دهد) بسیار متفاوت باشد.
• نمونه ویدیوهای به اشتراک گذاشته شده توسط OpenAI نشان می دهد که یکی از توانایی های قابل توجه سورا مهارت او در ایجاد سناریوهای تخیلی فراتر از واقعیت است. با این حال، این قابلیت همچنین آن را در برابر تولید آسیب پذیر می کند.جعلی عمیقویدئوهایی که در آن افراد یا موقعیت‌های واقعی برای انتقال دروغ‌ها، چه به صورت ناخواسته (اطلاعات نادرست) و چه عمدا (اطلاعات نادرست) تغییر می‌کنند. چنین محتوایی می تواند منجر به عواقب قابل توجهی شود.
• نتایج تولید شده توسط مدل‌های هوش مصنوعی ذاتاً با داده‌هایی که بر روی آنها آموزش دیده‌اند مرتبط است. بنابراین، تعصبات فرهنگی یا کلیشه‌های تعبیه‌شده در داده‌های آموزشی ممکن است در ویدیوهای تولید شده ظاهر شوند و احتمالاً مشکلات مشابهی را تداوم بخشند.

چه کاری انجام می دهد OpenAI آیا تیم برای جلوگیری از خطرات ذکر شده در بالا انجام می دهد؟

در حال حاضر، سورا منحصراً در دسترس استتیم قرمزمحققان – کارشناسانی که وظیفه دارند مسائل بالقوه مدل را شناسایی و کاهش دهند. این محققان تلاش می کنند محتوایی تولید کنند که ممکن است خطرات ذکر شده را نشان دهد و این امکان را فراهم می کند OpenAI برای رسیدگی و رفع هرگونه نگرانی قبل از انتشار عمومی سورا.

آیا سورا می تواند من را کمتر کار کند؟

ظرفیت سورا برای تولید محتوای ویدیویی سطح بالا بر اساس نشانه های متنی، پتانسیل ایجاد تحولات قابل توجه در چشم انداز اشتغال خلاق را دارد. موقعیت‌های متعارف در فیلم‌برداری، جلوه‌های ویژه و انیمیشن در مواجهه با چنین پیشرفت‌هایی در خطر منسوخ شدن هستند. در حالی که برخی از خلاقان ممکن است با تقویت تخصص در نظارت بر عملکردهای هوش مصنوعی، استفاده اخلاقی از هوش مصنوعی و هدایت مسیر خلاقانه برای مهار قابلیت‌های هوش مصنوعی، امکان‌پذیری این انتقال برای همه نامشخص است.

از سوی دیگر، با کاهش موانع فنی و مالی مرتبط با تولید ویدیو، سورا این پتانسیل را دارد که طیف وسیع تری از افراد را برای تولید محتوای با کیفیت بالا توانمند کند. این دموکراسی‌سازی ممکن است باعث افزایش در توزیع محتوای متنوع و مبتکرانه شود. در حالی که ممکن است نیاز به نهادهای رسانه ای مستقر و سازندگان محتوا برای تعدیل و معرفی رویکردهای نوآورانه داشته باشد، این تحول می تواند پیامدهای مثبتی را منعکس کند.

در هر صورت، پس از انتشار انبوه، Sora بدون شک تغییراتی در ویدیو و صنایع مرتبط و همچنین در تولید محتوای شخصی ایجاد خواهد کرد.

پیامدهای بلند مدت OpenAI سو

همانطور که Sora در جریان کار حرفه ای تثبیت می شود، تأثیر پایدار آن آشکار می شود:

باز کردن موارد استفاده با ارزش بالا: ادغام Sora در بین صنایع نوید برنامه های متحول کننده از جمله:

• تولید محتوای تسریع شده: Sora ایجاد رسانه را در بخش های VR، AR، بازی و سرگرمی های سنتی ساده می کند، چرخه های تولید را تسریع می بخشد و ایده پردازی را تسهیل می کند.
• تجارب شخصی: محتوای سفارشی‌شده توسط Sora برای مطابقت با ترجیحات فردی پدیدار می‌شود و پارادایم‌های سرگرمی و آموزشی را تغییر می‌دهد تا متناسب با سبک‌ها و سلیقه‌های مختلف یادگیری باشد.
• انطباق در زمان واقعی: ویرایش پویا ویدئو که توسط Sora فعال شده است، امکان تغییرات در لحظه در محتوا را فراهم می کند، اولویت های مخاطب را تامین می کند و در زمان واقعی بازخورد می دهد.
• محو کردن مرزهای دیجیتال: هم افزایی سورا با واقعیت مجازی و واقعیت افزوده، خطوط بین حوزه فیزیکی و دیجیتال را محو می کند و تجربیات غوطه ور جدید و فرصت های داستان گویی تعاملی را ارائه می دهد.

در اصل، ظهور Sora نوید دهنده یک دوره دگرگون کننده در تولید محتوای مبتنی بر هوش مصنوعی، تغییر شکل دادن به صنایع، روایت ها و تجربیات کاربر به روش های عمیق است.

درباره نویسنده

Zhauhazyn یک کپی رایتر و رشته جامعه شناسی است. او که شیفته پویایی پیچیده مطالعات علم و فناوری است، عمیقاً در قلمرو Web3 با اشتیاق شدید به بلاک چین.

مقالات بیشتر

ژاوهازین شادن

ژاوهازین شادن

Zhauhazyn یک کپی رایتر و رشته جامعه شناسی است. او که شیفته پویایی پیچیده مطالعات علم و فناوری است، عمیقاً در قلمرو Web3 با اشتیاق شدید به بلاک چین.

مقالات بیشتر