हाल ही में, मॉडलर्स समुदाय (Modelers) ने आधिकारिक तौर पर स्टेप स्टार द्वारा विकसित Step-Video और Step-Audio दो ओपन सोर्स मल्टी-मॉडल मॉडल लॉन्च किए हैं। ये दो मॉडल क्रमशः वीडियो जेनरेशन और वॉयस इंटरैक्शन के लिए हैं, जिनका उद्देश्य डेवलपर्स और व्यावसायिक उपयोगकर्ताओं को अधिक शक्तिशाली AI उपकरण प्रदान करना है। Step-Video मॉडल का पूरा नाम Step-Video-T2V है, जो 300 बिलियन पैरामीटर्स वाला दुनिया का सबसे बड़ा ओपन सोर्स वीडियो जेनरेशन मॉडल है। यह मॉडल सीधे 20

हाल ही में, टेनसेंट ह्यूनयुआन वीडियो मॉडल (Hunyuan Video) ने X प्लेटफॉर्म पर परीक्षण भागीदारों के लिए आधिकारिक रूप से आमंत्रण जारी किया है, जो इस अग्रणी AI वीडियो जनरेशन तकनीक के महत्वपूर्ण परीक्षण चरण में प्रवेश करने का प्रतीक है। आधिकारिक सूत्रों के अनुसार, परीक्षण समाप्त होने के बाद, इस मॉडल के ओपन-सोर्स होने की उच्च संभावना है, ताकि वैश्विक AI समुदाय को इसके तकनीकी परिणामों का लाभ मिल सके। ह्यूनयुआन वीडियो मॉडल टेनसेंट की AI वीडियो जनरेशन क्षेत्र में एक महत्वपूर्ण नवाचार है, जिसमें 13B से अधिक पैरामीटर हैं, जो मौजूदा ओपन-सोर्स मॉडलों में सबसे बड़े वीडियो जनरेशन मॉडल में से एक है। इसके मुख्य तकनीकी पहलुओं में शामिल हैं

19 फरवरी, बीजिंग झीपु ह्वाज़ांग टेक्नोलॉजी लिमिटेड ने घोषणा की कि उसके बहु-मोडल निर्माण प्लेटफॉर्म “清影” और AI角色创作平台“捏Ta” ने रणनीतिक सहयोग पर हस्ताक्षर किए हैं, जो AI角色设计 से लेकर एनिमेशन निर्माण तक की संपूर्ण पथ का पता लगाने के लिए काम करेंगे और IP की एकरूपता की तकनीकी लागू करने के लिए प्रयास करेंगे। यह सहयोग द्वितीयक आयाम उपयोगकर्ताओं की आवश्यकताओं और AI अनुप्रयोग परिदृश्यों की गहराई से खोज करने के उद्देश्य से है, ताकि उपयोगकर्ताओं को उच्च गुणवत्ता वाली जनरेटिंग प्रभाव और तेज़ निष्पादन गति प्रदान की जा सके।

आज, चरण तारे और जिल्ली ऑटोमोबाइल ग्रुप ने संयुक्त रूप से दो चरण Step श्रृंखला के बहु-मोडल बड़े मॉडल - Step-Video-T2V वीडियो जनरेशन मॉडल और Step-Audio वॉयस मॉडल को ओपन-सोर्स करने की घोषणा की। जिनमें, चरण Step-Video-T2V वीडियो जनरेशन मॉडल स्पष्ट रूप से वैश्विक स्तर पर पैरामीटर संख्या और प्रदर्शन दोनों में अग्रणी है। इस मॉडल में 30 बिलियन पैरामीटर हैं, जो सीधे 204 फ्रेम, 540P रिज़ॉल्यूशन का उच्च गुणवत्ता वाला वीडियो उत्पन्न कर सकते हैं, यह सुनिश्चित करता है कि उत्पन्न सामग्री में सूचना की घनत्व उच्च और संगति मजबूत हो। मूल्यांकन परिणाम बताते हैं,

हाल के वर्षों में, छवि री-लाइटिंग तकनीक की प्रगति बड़े पैमाने पर डेटा सेट और प्री-ट्रेंड डिफ्यूजन मॉडल के लिए धन्यवाद है, जिससे सुसंगत प्रकाश व्यवस्था का उपयोग अधिक सामान्य होता जा रहा है। हालाँकि, वीडियो री-लाइटिंग के क्षेत्र में, प्रशिक्षण की उच्च लागत और विविधता एवं उच्च गुणवत्ता वाले वीडियो री-लाइटिंग डेटा सेट की कमी के कारण प्रगति अपेक्षाकृत धीमी है। केवल छवि री-लाइटिंग मॉडल को फ़्रेम दर फ़्रेम वीडियो पर लागू करने से कई समस्याएँ उत्पन्न होती हैं, जैसे कि प्रकाश स्रोत की असंगति और री-लाइटिंग उपस्थिति की असंगति, अंततः उत्पन्न वीडियो में झपकी का कारण बनती है। इस समस्या को हल करने के लिए, शोध टीम ने Light-A...

हाल ही में, Adobe ने अपने AI वीडियो जनरेशन टूल Firefly Video का सार्वजनिक परीक्षण संस्करण लॉन्च किया है, जो उपयोगकर्ताओं को टेक्स्ट और इमेज को अधिकतम 5 सेकंड के शॉर्ट वीडियो में बदलने की अनुमति देता है, वीडियो का रिज़ॉल्यूशन 1080p है, और फ़्रेम दर प्रति सेकंड 24 फ़्रेम है। इस टूल का लॉन्च Adobe के वीडियो जनरेशन के क्षेत्र में एक महत्वपूर्ण कदम का प्रतीक है, उपयोगकर्ता सरल टेक्स्ट निर्देशों या इमेज अपलोड करके जल्दी से सुंदर वीडियो सामग्री उत्पन्न कर सकते हैं। Firefly Video का यूजर इंटरफेस उपयोगकर्ता के अनुकूल है, जिससे अनुमति मिलती है.

एक नवोन्मेषी वीडियो जनरेशन तकनीक FlashVideo ने हाल ही में ओपन-सोर्स करने की घोषणा की है, यह ढांचा अद्वितीय डुअल-स्टेज डिज़ाइन के माध्यम से AI वीडियो जनरेशन में गति और गुणवत्ता के संतुलन की समस्या को चतुराई से हल करता है। FlashVideo ने वेब फ्रंटेंड LQIP (कम गुणवत्ता वाली छवि प्लेसहोल्डर) के समान विचार को अपनाया है, वीडियो जनरेशन प्रक्रिया को पूर्वावलोकन और गुणवत्ता संवर्धन के दो चरणों में विभाजित किया है। पूर्वावलोकन चरण में, सिस्टम बहुत कम गणना लागत पर तेजी से वीडियो ड्राफ्ट उत्पन्न कर सकता है, जिससे उपयोगकर्ताओं को तात्कालिक प्रतिक्रिया मिलती है, जो उपयोगकर्ता अनुभव और व्यावसायिक अनुप्रयोग की व्यवहार्यता को महत्वपूर्ण रूप से बढ़ाता है।

डौबाओ बड़े मॉडल टीम की आधिकारिक सार्वजनिक खाता जानकारी के अनुसार, बीजिंग जियाओटॉन्ग विश्वविद्यालय और चीन विज्ञान और प्रौद्योगिकी विश्वविद्यालय के संयुक्त अनुसंधान में, डौबाओ बड़े मॉडल टीम द्वारा पेश किया गया “VideoWorld” वीडियो जनरेशन प्रयोगात्मक मॉडल हाल ही में औपचारिक रूप से ओपन-सोर्स किया गया है। इस मॉडल की सबसे बड़ी विशेषता यह है कि यह पारंपरिक भाषा मॉडल पर निर्भर नहीं करता है, बल्कि केवल दृश्य जानकारी के माध्यम से दुनिया को पहचान और समझ सकता है। यह ब्रेकथ्रू अनुसंधान प्रेरणा प्रोफेसर ली फेई फेई के TED व्याख्यान में उल्लेखित “बच्चे बिना भाषा के असली दुनिया को समझ सकते हैं” के सिद्धांत से मिली है।

परंपरागत वीडियो समझा मॉडल लम्बे वीडियो को प्रोसेस करते समय कई चुनौतियों का सामना करता है, जिसमें लम्बे वीडियो द्वारा लाए गए जटिल संदर्भों को समझना शामिल है। हालाँकि कई शोध वीडियो समझने की क्षमता को बढ़ाने के लिए प्रयासरत हैं, फिर भी यह प्रशिक्षण और निष्पादन की गति में सुधार करने में सक्षम नहीं है। इन समस्याओं के समाधान के लिए, शोध टीम ने HiCo तकनीक का उपयोग करते हुए वीडियो जानकारी में से अतिरिक्त भागों को संकुचित किया, जिसके परिणामस्वरूप कंप्यूटिंग आवश्यकताओं में महत्वपूर्ण कमी आई, जबकि महत्वपूर्ण जानकारी को बनाए रखा। विशेष रूप से, HiCo वीडियो को स्तरित संकुचन के माध्यम से संक्षिप्त करता है, जिससे लम्बे वीडियो को छोटे टुकड़ों में विभाजित किया जा सकता है, और इस प्रकार प्रसंस्करण को कम किया जा सकता है।

वीडियो तकनीक के तेजी से विकास के साथ, वीडियो सूचना खोज और जटिल अवधारणाओं को समझने के लिए एक महत्वपूर्ण उपकरण बन गया है। वीडियो दृश्य, समय, और संदर्भ डेटा को जोड़ती है, जो स्थिर चित्रों और पाठ से परे एक मल्टीमॉडल प्रस्तुत करती है। आज, वीडियो शेयरिंग प्लेटफार्मों की लोकप्रियता और शिक्षा एवं जानकारी वीडियो के प्रचुरता के साथ, ज्ञान के स्रोत के रूप में वीडियो का उपयोग करना उन सवालों का समाधान प्रदान करने का अभूतपूर्व अवसर बनाता है जिन्हें विस्तृत पृष्ठभूमि, स्थान समझ और प्रक्रिया प्रदर्शन की आवश्यकता होती है। हालांकि, मौजूदा खोज सुधारित उत्पत्ति (RAG) प्रणालियाँ अक्सर वीडियो डेटा की पूरी क्षमता को नजरअंदाज करती हैं। ये प्रणालियाँ आमतौर पर

हाल ही में, नानजिंग विश्वविद्यालय की शोध टीम ने बाइटजंप और दक्षिण-पश्चिम विश्वविद्यालय के साथ मिलकर एक अभिनव तकनीक - STAR (Spatial-Temporal Augmentation with Text-to-Video Models) लॉन्च की है, जिसका उद्देश्य पाठ से वीडियो मॉडल का उपयोग करके वास्तविक दुनिया के वीडियो की 超分辨率 प्रक्रिया को लागू करना है। यह तकनीक समय-स्थान वृद्धि विधियों को जोड़ती है, जो निम्न रिज़ॉल्यूशन वाले वीडियो की गुणवत्ता को प्रभावी ढंग से बढ़ा सकती है, विशेष रूप से उन वीडियो के लिए जो वीडियो साझा करने वाले प्लेटफार्मों से डाउनलोड की गई निम्न स्पष्टता वाले वीडियो हैं।

गूगल ने अपने नए पीढ़ी के वीडियो जनरेशन मॉडल Veo2 को आधिकारिक रूप से लॉन्च किया है, जिसका उद्देश्य OpenAI के Sora के साथ प्रतिस्पर्धा करना है। गूगल का कहना है कि Veo2 वीडियो जनरेट करते समय अधिक यथार्थता और बारीकी प्रदर्शित करता है। इस अपडेट ने न केवल वीडियो की गुणवत्ता को बढ़ाया है, बल्कि वास्तविक भौतिकी और मानव الحركة तथा अभिव्यक्ति की सूक्ष्मताओं की समझ को भी मजबूत किया है। गूगल ने कहा है कि Veo2 की शानदार क्षमताएं 'वास्तविक दुनिया की भौतिकी और मानव आंदोलन तथा अभिव्यक्ति की सूक्ष्मताओं की बेहतर समझ' प्रदान करती हैं। यह Google Labs में उपलब्ध है।

इजरायल की टेक कंपनी Lightricks ने हाल ही में LTX Video (LTXV) नामक एक तेज़ AI वीडियो प्रोसेसिंग प्लेटफ़ॉर्म लॉन्च किया है। यह प्लेटफ़ॉर्म उन्नत आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग करता है, जिसे सामान्य ग्राफिक्स प्रोसेसिंग यूनिट (GPU) पर चलने के लिए डिज़ाइन किया गया है। LTXV नवंबर के अंत में लॉन्च हुआ, और यह 4 सेकंड में 768x512 के रिज़ॉल्यूशन का 5 सेकंड का AI वीडियो क्लिप बना सकता है, जिससे यह अन्य AI वीडियो प्लेटफ़ॉर्म से अलग हो जाता है। इसके 20 अरब पैरामीटर इसे सक्षम बनाते हैं।

एमेज़न एक नई फ़ीचर का परीक्षण कर रहा है, जो प्राइम वीडियो उपयोगकर्ताओं के लिए अधिक बुद्धिमान सामग्री सिफारिश प्रदान करता है। इस फ़ीचर का नाम "एआई टॉपिक्स" है, जो पारंपरिक सिफारिश एल्गोरिदम के बजाय आर्टिफिशियल इंटेलिजेंस तकनीक का उपयोग करता है, और उपयोगकर्ताओं की रुचियों के आधार पर देखने की सामग्री को अनुकूलित करने के लिए डिज़ाइन किया गया है। यदि आप परीक्षण में भाग ले रहे हैं, तो आप कुछ नई सामग्री सिफारिश श्रेणियाँ देखेंगे, जैसे "कल्पनाशील विज्ञान कथा", "जादुई रोमांच" या "तनावपूर्ण पात्र यात्रा"। प्रत्येक श्रेणी के तहत संबंधित धारावाहिक, फिल्में और लाइव चैनल एकत्रित किए जाएंगे.

गहरे फर्जी तकनीक के व्यापक उपयोग के साथ, इंटरनेट पर झूठे सामग्री की संख्या में वृद्धि हुई है। ID सत्यापन प्लेटफार्म सुमसब के आंकड़ों के अनुसार, 2023 से 2024 के बीच गहरे फर्जी की संख्या चार गुना बढ़ गई, 2024 में गहरे फर्जी सामग्री सभी धोखाधड़ी का 7% है। इनमें पहचान धोखाधड़ी, खाते का नियंत्रण और जटिल सामाजिक इंजीनियरिंग हमले जैसे विभिन्न रूप शामिल हैं। इस चुनौती का सामना करने के लिए, मेटा कंपनी ने हाल ही में एक नया वॉटरमार्क टूल - मेटा वीडियो सील पेश किया है, जिसका उद्देश्य AI द्वारा उत्पन्न

जनरेटिव आर्टिफिशियल इंटेलिजेंस के व्यावसायीकरण के साथ, इंटरनेट पर फर्जी कंटेंट की संख्या तेजी से बढ़ी है। पहचान प्रमाणीकरण प्लेटफार्म Sumsub के डेटा के अनुसार, 2023 से 2024 तक, वैश्विक डीपफ़ेक की संख्या में चार गुना वृद्धि हुई है। 2024 में, डीपफ़ेक सभी धोखाधड़ी के 7% के लिए जिम्मेदार होगा, जिसमें पहचान की चोरी, खाता खुद लेना और जटिल सामाजिक इंजीनियरिंग गतिविधियों सहित कई रूप शामिल हैं। इस समस्या का समाधान करने के लिए, Meta ने एक नया टूल - Meta Video Seal पेश किया है, जिसका उद्देश्य AI द्वारा जनरेट किए गए वीडियो में अज्ञात डाटा जोड़कर नकली कंटेंट को पहचानना है।

हाल ही में, वीडियो जेनरेशन आर्टिफिशियल इंटेलिजेंस कंपनी Runway ने अपने नवीनतम फ़ीचर “Expand Video” की घोषणा की, यह नवोन्मेष उपकरण उपयोगकर्ताओं को सरल पाठ संकेत के माध्यम से मूल वीडियो फ़ुटेज के आधार पर अतिरिक्त दृश्य सामग्री उत्पन्न करने में सहायता करेगा। उपयोगकर्ता न केवल वीडियो के अनुपात को समायोजित कर सकते हैं, बल्कि यह सुनिश्चित कर सकते हैं कि विस्तारित दृश्य प्रभावों में एकरूपता हो, जो वीडियो की लचीलापन और पेशेवरता को बढ़ाता है। “Expand Video” फ़ीचर के लॉन्च ने उपयोगकर्ताओं को कई बार विस्तार करने की अनुमति देने का काम किया, जिससे वे “तेजी से परिवर्तन” जैसी सामग्री तैयार कर सकें।

वीडियो संपादन प्लेटफॉर्म InVideo ने हाल ही में महत्वपूर्ण उन्नयन संस्करण v3.0 लॉन्च किया है, जिसमें एआई-आधारित टेक्स्ट-से-वीडियो विशेषता जोड़ी गई है। उपयोगकर्ता केवल टेक्स्ट प्रॉम्प्ट टाइप करके वास्तविक जीवन के, एनीमेशन या जापानी शैली के वीडियो सामग्री का निर्माण कर सकते हैं, और YouTube, Instagram Reels और LinkedIn जैसे विभिन्न प्लेटफार्मों के लिए इसे अनुकूलित कर सकते हैं। यह नई विशेषता भले ही तीसरे पक्ष के एआई मॉडल पर आधारित हो, उपयोगकर्ता टेक्स्ट प्रॉम्प्ट जोड़कर वीडियो को वास्तविक समय में गतिशीलता से संपादित कर सकते हैं।

आज,智谱 तकनीकी टीम ने अपना नवीनतम वीडियो जनरेशन मॉडल CogVideoX v1.5 जारी किया और इसे ओपन-सोर्स किया। यह संस्करण अगस्त के बाद से,智谱 तकनीकी टीम द्वारा प्रस्तुत CogVideoX श्रृंखला में एक और महत्वपूर्ण प्रगति है। ज्ञात हुआ है कि इस अपडेट ने वीडियो जनरेशन की क्षमता में बड़े पैमाने पर सुधार किया है, जिसमें 5 सेकंड और 10 सेकंड की वीडियो लंबाई, 768P रिज़ॉल्यूशन और 16 फ्रेम की जनरेशन क्षमता शामिल है। साथ ही, I2V (इमेज से वीडियो) मॉडल किसी भी आयाम अनुपात का समर्थन करता है, जो जटिल अर्थों की समझ को और बढ़ाता है।

बीजिंग ज़ीपी टेक्नोलॉजी कंपनी ने घोषणा की है कि उसके अंतर्गत आने वाले CogVideoX श्रृंखला मॉडल का नवीनतम संस्करण - CogVideoX v1.5 पेश किया गया है, जो अब ओपन-सोर्स है। अगस्त की शुरुआत से लॉन्च होने के बाद, यह श्रृंखला मॉडल उद्योग में अग्रणी तकनीक और डेवलपर्स द्वारा पसंद किए जाने वाले लक्षणों के साथ, वीडियो जनरेशन क्षेत्र में उत्कृष्ट बन गया है। नए संस्करण CogVideoX v1.5 में मौलिक आधार पर महत्वपूर्ण उन्नयन किया गया है, जिसमें वीडियो जनरेशन की क्षमता को बढ़ाया गया है, और अब यह 5/10 सेकंड, 768P, 16 फ्रेम的视频 जनरेशन का समर्थन करता है।