Stability AI አጫጭር ቪዲዮዎችን ከምስሎች ማመንጨት የሚችል Stable Video Diffusion የተባለ የማሽን መማሪያ ሞዴል አሳትሟል። ሞዴሉ ቀደም ሲል በስታቲስቲክስ ምስሎች ውህደት የተገደበ የStable Diffusion ፕሮጀክትን አቅም ያሰፋል። የነርቭ ኔትወርክ ማሰልጠኛ እና የምስል ማመንጨት መሳሪያዎች ኮድ በፒቶርች ማዕቀፍ በመጠቀም በፓይዘን ተጽፎ በ MIT ፍቃድ ታትሟል። ቀደም ሲል የሰለጠኑ ሞዴሎች ለንግድ አገልግሎት በሚፈቅደው የፈጠራ ML OpenRAIL-M ፈቃድ ስር ክፍት ናቸው።
ለማውረድ ሁለት የሞዴል አማራጮች አሉ፡ SVD (Stable Video Diffusion) በተሰጠው የማይንቀሳቀስ ምስል ላይ በመመስረት 14 ክፈፎች 576x1024 ጥራት እና SVD-XT 25 ፍሬሞችን ለማምረት። ቪዲዮን ያለ እንቅስቃሴ ወይም በጣም በዝግታ የካሜራ ሽክርክሪት መፍጠር ይቻላል, ከ 4 ሰከንድ ያልበለጠ. በተፈጥሮ ቋንቋ ላይ የተመሰረተ ቀጥተኛ ሞዴል ቁጥጥር ገና አልተደገፈም, ነገር ግን መጀመሪያ የድሮውን Stable Diffusion 2.1 ሞዴል በመጠቀም ኦርጅናሉን ምስል ማዘጋጀት እና ከዚያም የኤስቪዲ ሞዴልን በመጠቀም ወደ ቪዲዮ መቀየር ይችላሉ.
የቪዲዮ ጥራት እስካሁን ድረስ ትክክለኛ የፎቶ እውነታዊነት እና የተረጋገጠ የፊት እና የሰዎች አተረጓጎም አያቀርብም። በአፈጻጸም ረገድ፣ የታቀደው ክፍት ሞዴል ከ Runway እና Pika Labs የባለቤትነት አናሎግ ቀድሟል። ሞዴሉ የተለያዩ ችግሮችን ለመፍታት በቀላሉ ሊስተካከል ይችላል, ለምሳሌ, ባለ ሶስት አቅጣጫዊ ቅርጾችን ለመፍጠር ሊያገለግል ይችላል.
በተጨማሪም ፣ በስልጠና ወቅት የነገሮችን ፎቶግራፎች እና የቪዲዮ ቀረጻዎች በመጠቀም የተዋሃደ የእይታ ውክልና እንዲፈጥሩ የሚያስችልዎ የቪዲዮ-ኤልላቪኤ ማሽን መማሪያ መሳሪያ ኪት መታተም እናስተውላለን። ስርዓቱን ለምሳሌ በምስሎች እና በቪዲዮዎች ውስጥ ተመሳሳይ እቃዎች መኖራቸውን ለመለየት ጥቅም ላይ ሊውል ይችላል. ኮዱ በፓይዘን የተፃፈ እና በ Apache 2.0 ፍቃድ ስር ይሰራጫል።
ምንጭ: opennet.ru
