Google DeepMind’ın Veo modeliyle video oluşturma

14 Mayıs'taki Google'ın 2024 I/O sunumunda, şirketin AI birimi DeepMind'ın en yeni güncellemeleri paylaşıldı. Önemli duyurulardan biri, yeni bir üretken video modeli olan Veo'ydu. Veo; metin, görüntü ve video istemlerine dayanarak yüksek kaliteli 1080p videolar oluşturabiliyor. Hatta oluşturulan videoları sonraki istemlerle düzenlemene de olanak tanıyor. Veo'nun sunduğu özelliklere daha yakından bakalım.

Veo'nun yeteneklerini anlamak#

Veo, kullanıcının yaratıcı vizyonuyla yakından örtüşen videolar oluşturmak için dil ve görselleri derinlemesine anlayan üretken bir video modelidir. Uzun istemlerin tonunu ve ayrıntılarını doğru biçimde yakalayabilir; bu da fikirlerini tam istedikleri video içeriğine dönüştürmek isteyen içerik üreticileri için onu güçlü bir araca dönüştürür.

Veo, "hızlandırılmış çekim" ve "bir manzaranın havadan görüntüleri" gibi film tekniklerini anlayabildiği için kullanıcılar oluşturulan videolar üzerinde ayrıntılı yaratıcı kontrole sahip olabilir. Bu yaratıcı kontrol, insanların, hayvanların ve nesnelerin doğal hareket ettiği videolar oluşturmayı mümkün kılar. Veo'nun oluşturduğu videolar ilgi çekici ve görsel açıdan etkileyicidir; çünkü bunların bir AI modeli tarafından oluşturulduğunu anlamak zordur.

Veo, yalnızca istemlerden video oluşturmanın ötesine geçer. Daha önce oluşturulmuş bir video ve belirli bir düzenleme isteği (örneğin, sahil şeridinin havadan görüntüsüne kanolar eklemek) sağlarsan Veo bu değişikliği orijinal videoya uygulayarak güncellenmiş bir sürüm oluşturabilir.

Şek. 1. Veo kullanılarak yapılan video düzenleme örneği.

Veo'nun sunduğu diğer bazı özellikler:

• Maskeli Düzenleme: Veo, videonun tanımlanmış alanlarını düzenlemene yardımcı olabilir.
• Görselden Esinlenen Video Oluşturma: Veo, bir görsel ve metin istemi kullanarak görselin tarzını yansıtan ve istemdeki yönergeleri izleyen videolar oluşturabilir.
• Uzun Video Klipleri: Veo, tek bir istemden veya birlikte bir hikâye anlatan bir dizi istemden yola çıkarak 60 saniye veya daha uzun video klipler oluşturabilir ve bunları uzatabilir.

Veo'nun oluşturduğu nefes kesici videolar#

Veo'nun oluşturduğu bazı videolara ve onları öne çıkaran özelliklere göz atalım.

Kısa bir metin isteminden hızlandırılmış çekim videosu oluşturmak zordur. Kısa metin istemi genellikle hızlandırılmış çekim sahnesindeki değişiklikleri ve hareketleri doğru biçimde aktaramaz. Bu nedenle Veo'nun ayrıntılara girmeden hızlandırılmış çekimden ne beklemesi gerektiğini anlayabilmesi dikkat çekicidir.

Şek. 2. Veo'nun oluşturduğu hızlandırılmış çekim videosundan bir kare.

Benzer şekilde, fiziği doğru yansıtan videolar oluşturmak kolay değildir. Hareketlerin ve etkileşimlerin gerçekçi görünmesi için AI modelinin yer çekimi, momentum ve çarpışmalar gibi fizik yasalarını anlaması ve simüle etmesi gerekir. Veo'nun metin istemlerinden ayrıntılı yönlendirme almadan bu dinamikleri doğru biçimde modelleyebilmesi etkileyicidir.

Şek. 3. Veo kullanılarak oluşturulan bir videodan alınan kare, denizanasının hareket fiziğini doğru biçimde yansıtıyor.

Şimdiye kadar, hesaplama kısıtlamaları ve uzun diziler boyunca tutarlılığı korumanın zorluğu nedeniyle AI tarafından oluşturulan yalnızca kısa videolar gördük. Google'ın 2024 I/O sunumunda Veo'nun daha uzun ve karmaşık videolar oluşturma yeteneği gösterildi.

Şek. 4. Google 2024 I/O sunumunda gösterilen uzun Veo videosundan kareler.

Veo nasıl çalışır?#

Diğer birçok yapay zekâ modeli gibi Veo da kendisinden önce gelenlerin çalışmalarından yararlanıyor. Generative Query Network (GQN), DVD-GAN, Imagen-Video, Phenaki, WALT, VideoPoet ve Lumiere gibi önceki gelişmelerin yanı sıra Google'ın Transformer mimarisinden ve Gemini'den de yararlanıyor. Ayrıca Veo'nun istemleri doğru yorumlama becerisini geliştirmek için eğitim veri kümesindeki her videonun açıklamaları daha ayrıntılı hâle getirildi.

Google'ın paylaştığı genel model iş akışına göre Veo şöyle çalışır:

• Girdi İstemleri: Bir metin istemi ve isteğe bağlı olarak bir görsel istemi sağlarsın.
• Kodlama: Metin istemi bir UL2 Encoder tarafından, görsel istemi ise bir görsel kodlayıcı tarafından işlenir.
• Gömülü İstem: Metin ve görsel kodlayıcıların çıktıları birleştirilerek tek bir gömülü istem oluşturulur.
• Gizil Difüzyon Modeli: Gömülü istem ve gürültülü, sıkıştırılmış bir video bu modele verilir; model bunları kullanarak sıkıştırılmış bir video oluşturur. Veo, kaliteyi korurken verimliliği artırmak için gizil değişkenler olarak bilinen yüksek kaliteli, sıkıştırılmış video temsillerini kullanır.
• Kod Çözme: Son adımda, sıkıştırılmış video kod çözme işleminden geçirilerek 1080p video çıktısı elde edilir.

Şek. 5. Veo'nun çalışma biçimi.

Film yapımından çarpıcı bir vaka çalışması#

Veo'nun yeteneklerini test etmek için Google, film yapımcısı Donald Glover ve yaratıcı stüdyosu Gilga ile iş birliği yaptı. Hassas hareket ve tutarlı kadrajlama gerektiren dinamik takip çekimleri de dâhil olmak üzere çeşitli yaratıcı teknikleri keşfetmek için Veo'yu kullandılar.

Şek. 6. Film yapım sürecinde Veo'nun kullanımı.

Geleneksel olarak film yapımcıları zaman ve kaynak kısıtlamalarıyla karşılaşır. Veo sayesinde Glover ve ekibi karmaşık çekimleri hızla deneyip oluşturabildi; bu da film yapım sürecinde daha fazla esneklik ve yenilik sağladı.

Örneğin, gerçek çekimlerden önce çeşitli dinamik takip çekimlerini deneyerek nasıl görüneceklerini görebilir ve gereken düzenlemeleri yapabilirlerdi. Bu ön görselleştirme süreci fikirlerini geliştirmelerine ve çekimlerin amaçlandığı gibi sonuç vereceğinden emin olmalarına yardımcı oldu; böylece gerçek çekimler sırasında gereken tekrar sayısı azaldı. Veo'nun film sektörünü değiştirme potansiyelini göstermek için etkileyici bir vaka çalışması oluşturabildiler. Veo, yaratıcı fikirleri hayata geçirmenin daha hızlı ve verimli bir yolunu sunuyor.

Veo'nun farklı sektörlerdeki pratik kullanım alanları#

Veo'nun gelişmiş video oluşturma yetenekleri birçok sektörde pratik uygulama alanı buluyor. Reklamcılıkta hedef kitlelere yönelik kişiselleştirilmiş, yüksek kaliteli reklamları hızla üreterek zamandan ve prodüksiyon maliyetlerinden tasarruf sağlayabilir. Eğitim alanında Veo, ilgi çekici eğitim videoları oluşturarak karmaşık kavramların anlaşılmasını kolaylaştırabilir.

İşletmeler, Veo'yu eğitim ve kurumsal iletişim için kullanabilir. Sağlık profesyonelleri, eğitim amacıyla tıbbi prosedürleri simüle etmek için Veo'dan yararlanabilir. Sanal etkinlikler ve konferanslar için Veo, mekânların ve sahnelerin gerçekçi simülasyonlarını oluşturup katılımcılara her yerden ilgi çekici ve etkileşimli bir deneyim sunabilir. Düzenleyiciler ise daha geniş erişimden ve gelecekteki etkinlikler için değerli içgörülerden yararlanır.

Bir AI modeli farklı sektörleri etkileyebilecek potansiyele sahip olduğunda, AI güvenliğini ve etiğini akılda tutmak önemlidir. Daha geniş çapta benimsenmesini sağlamak ve sorumlu kullanımı teşvik etmek için Google çeşitli güvenlik önlemleri uyguladı. Veo'nun oluşturduğu videolar, AI tarafından oluşturulan içerikleri filigranlamak ve tanımlamak için kullanılan SynthID aracıyla filigranlanır. SynthID şeffaflığı destekler ve gizlilik, telif hakkı ve önyargı risklerini azaltmaya yardımcı olur. Ayrıca oluşturulan tüm videolar güvenlik filtrelerinden ve ezberleme denetim süreçlerinden geçer. Bu koruma önlemleri sorumlu video üretimini desteklemek üzere tasarlanmıştır.

Veo'ya nereden erişebilirsin?#

Google, piyasaya sürülürken Veo'nun bazı özelliklerini labs.google'da kullanılabilen yeni bir araç olan VideoFX aracılığıyla seçili içerik üreticilerine sunmaya başlayacağını ve böylece içerik üreticilerinin video oluşturma özelliklerini erkenden deneyebileceğini söyledi. İlgilenen içerik üreticilerinin kaydolması için Veo bekleme listesi açıldı.

DeepMind'ın 2024 üretken AI güncellemeleri hakkında daha fazla bilgi#

Veo'nun yanı sıra DeepMind, 2024 yılı için üretken AI alanında çeşitli güncellemeler sundu. Bu güncellemelerden biri, o dönemdeki en gelişmiş metinden görüntü modeli olan Imagen 3. Imagen 3, fotogerçekçi ve gerçekçi görüntüler oluşturma konusunda başarılıdır. Doğal dildeki istemleri derinlemesine anlar ve görsel bozulmaları en aza indirirken ince ayrıntıları yakalar.

Şek. 7. Imagen 3 kullanılarak oluşturulmuş bir görsel.

DeepMind ayrıca AI ile müzik oluşturma alanındaki en gelişmiş modeli olan Lyria'yı geliştirdi. Bu çabanın bir parçası olarak DeepMind, Music AI Sandbox adlı bir dizi AI müzik aracı oluşturdu. Bu araçlar, müzisyenlerin ve prodüktörlerin müzik besteleme ve ses dönüştürme alanlarında yeni yaratıcı olanakları keşfetmesini sağlıyor.

Şek. 8. DeepMind'ın AI müzik araçlarının örnek kullanıcı arayüzü.

DeepMind, Veo'ya benzer şekilde diğer güncellemeleri için de çeşitli güvenlik önlemleri uyguladı. Bu güncellemelerde, AI tarafından oluşturulan içeriklere filigran eklemek ve bunları tanımlamak için SynthID kullanılacak. DeepMind'ın bu güncellemeleri, yüksek kaliteli görsel ve işitsel içerik oluşturmak için gelişmiş, verimli ve sorumlu araçlar sunarak farklı sektörleri dönüştürmeyi vaat ediyor.

Üretken AI'ın bir sonraki aşamasında yol almak#

DeepMind'ın Veo, Imagen 3 ve Lyria'yı da içeren 2024 üretken AI gelişmeleri, AI yeteneklerinde önemli bir sıçramaya işaret ediyor. Veo, basit istemlerden yüksek kaliteli 1080p videolar oluşturma yeteneğiyle video üretimini dönüştürüyor ve film yapımcıları ile içerik üreticileri için çok yönlü bir araç hâline geliyor. Imagen 3, fotogerçekçi görseller üretme konusunda öne çıkarken Lyria, gelişmiş AI araçlarıyla müzik oluşturma alanında yeni olanaklar sunuyor.

Bu teknolojiler, yüksek kaliteli görsel ve işitsel içerik oluşturmak için verimli ve sorumlu araçlar sunarak farklı sektörleri dönüştürmeyi vaat ediyor. Etik kullanımı güvence altına alan SynthID gibi güvenlik önlemleriyle DeepMind, AI'ın sınırlarını genişletmeye ve gelecekte yenilikçi uygulamaların önünü açmaya devam ediyor.

GitHub depomuzu ziyaret edip topluluğumuza katılarak AI dünyasına adım at. AI'ın üretimde ve tarımda nasıl uygulandığını öğrenmek için çözümler sayfalarımızı incele.