Video Generation
Video üretimi, zaman içinde hareket tutarlılığını koruyan üretken modellerin metin, görsel veya mevcut görüntülerden yeni video klipleri sentezlemesidir.
Video üretimi, yeni videoları sentezlemek için üretken yapay zekâ modellerinin kullanılmasıdır: Nesnelerin, aydınlatmanın ve hareketin bir kareden diğerine tutarlı kaldığı bir kare dizisi oluşturulur. Model; bir metin isteminden, canlandırılacak sabit bir görüntüden, yeniden biçimlendirilecek veya uzatılacak mevcut bir klipten ya da dünya modellerinde olduğu gibi geçmiş karelerle eylemlerden başlayabilir. Tek bir görüntüyle karşılaştırıldığında, saniyede 24 kare hızındaki beş saniyelik bir klip, birbiriyle uyumlu olması gereken 120 görüntü içerir. Bir eldeki parmak sayısının değişmesi gibi tek karede fark edilmeyecek hatalar, kareler oynatıldığında titreşim veya şekil değiştirme olarak görünür. Video anlama ve nesne izleme ise bunun tersini yaparak mevcut görüntüleri analiz eder.
Bu alan, on yıldan kısa sürede çok kısa kliplerden bir dakika uzunluğundaki kliplere ulaştı. Carl Vondrick, Hamed Pirsiavash ve Antonio Torralba'nın 2016 tarihli VGAN'ı, bir üretici çekişmeli ağ, statik arka planı ve hareketli ön planı ayrı ayrı üreterek yaklaşık bir saniyelik 64×64 video oluşturdu. Google'dan Jonathan Ho ve çalışma arkadaşları Nisan 2022'de difüzyon modellerini videoya uyarladı; Meta'nın Make-A-Video ve Google'ın Imagen Video modelleri aynı yılın sonbaharında geldi. Şubat 2024'te önizlemesi sunulan OpenAI Sora ise bir dakikaya kadar uzunlukta klipler üretti. Tencent'in HunyuanVideo (Aralık 2024) ve Alibaba'nın Wan 2.1 (Şubat 2025) modelleri gibi açık ağırlıklı modeller, aynı mimarinin yerel olarak çalıştırılmasını ve ince ayar yapılmasını mümkün kıldı.
Video Üretim Modelleri Nasıl Çalışır?#
Günümüzdeki sistemlerin çoğu üç parçalı gizil difüzyon modelleridir. Bir video otomatik kodlayıcısı, yüzlerce kare için ham pikselleri gürültüden arındırmak çok maliyetli olacağından, klibi uzamsal ve zamansal boyutlarda çok daha küçük bir gizil tensöre sıkıştırır. Günümüzde genellikle bir difüzyon Transformer'ı (DiT) olan gürültü giderme ağı, bu gizil tensörü OpenAI Sora'nın üzerinde çalıştığı birimler olan uzay-zaman yamalarına böler ve gürültüyü adım adım giderir. Yamalar arasındaki dikkat, her yamayı diğer karelerdeki yamalara bağlar; böylece özne hareket ederken şeklini korur. Ardından otomatik kodlayıcının kod çözücüsü temiz gizil temsili yeniden karelere dönüştürür.
Önceki modeller zamansal tutarlılık için daha düşük maliyetli yöntemler kullanıyordu. Birçoğu, ağın görünüşle ilgili bildiklerini yeniden kullanıp yalnızca hareketi öğrenmesi için önceden eğitilmiş bir metinden görüntüye U-Net'e kareler boyunca aynı konumu karşılaştıran zamansal dikkat katmanları ekledi. Imagen Video, çözünürlüğü ve kare hızını aşamalar hâlinde artıran ayrı uzamsal ve zamansal süper çözünürlük modellerini bir temel modelle art arda çalıştırdı. Google'ın Lumiere modeli (2024), tüm klibi tek seferde bir uzay-zaman U-Net'iyle üretti ve önce uzaktaki anahtar kareleri oluşturan ardışık modellerin hareketi genel olarak tutarlı hâle getirmekte zorlandığını öne sürdü. Uzun veya etkileşimli videolar çoğunlukla, her parçanın önceki karelere koşullandırıldığı biçimde parça parça otoregresif olarak üretilir; difüzyon zorlaması gibi yöntemler bu düzen için eğitim yapar.
Video Üretim Türleri#
- Metinden videoya: Yalnızca yazılı bir istemden klip üretir.
- Görüntüden videoya: Sabit bir görüntüyü canlandırır ve ilk kare olarak korur; böylece kompozisyonu ve özneyi kontrol edebilirsin.
- Videodan videoya: Yapay zekâ destekli video düzenlemenin temel araçlarından biri olarak mevcut bir klibin hareketini koruyup görünümünü değiştirir, klibi düzenler veya uzatır.
- Ses ve video birlikte: Google'ın Veo 3 (Mayıs 2025) ve OpenAI'ın Sora 2 (Eylül 2025) modelleri, görüntüyle eşzamanlı diyalog, ses efektleri ve müzik üretir.
- Dünya modelleri: Direksiyon komutu veya robot kolu hareketi gibi bir eylemi mevcut karelerle birlikte kullanarak sonraki kareleri tahmin eder; böylece video kontrole tepki verir.
Uygulamalar#
Film ve reklam ekipleri, daha geniş kapsamlı film yapımında yapay zekâ dönüşümünün bir parçası olarak, ön görselleştirme ve çekimi maliyetli olacak sahneler için Google DeepMind'ın Veo ve Meta Movie Gen gibi üreticilerden yararlanır. Fiziksel yapay zekâ geliştiricileri, nadir olayların sürüş ve robotik görüntülerini üretir: Ocak 2025'te yayımlanan NVIDIA Cosmos dünya temel modelleri, otonom araçları ve robotları eğitmek için video üretir; Wayve'in GAIA-1 modeli ise metin ve araç eylemlerine koşullandırılmış sürüş sahneleri oluşturur. Kareleri etiketlendikten sonra üretilen klipler algılama modelleri için sentetik veriye dönüşür. Üretilen bir klibi alan Ultralytics Platform veri kümesi, saniyede 1 kare hızında en fazla 100 kare örnekler ve her kareyi açıklama eklemeye hazır bir görüntü olarak saklar.
Sınırlamalar ve Değerlendirme#
Üretilen videolar hâlâ fizik kurallarını ve nesne sürekliliğini ihlal ediyor. OpenAI, Sora'nın camın kırılması gibi etkileşimleri doğru biçimde modellemediğini belirtti; üretilen nesneler birbirinin içinden geçebilir, yoktan belirebilir veya bir örtücünün arkasında kaybolabilir. Hesaplama maliyeti çözünürlük ve süreyle artar; bu nedenle çoğu model birkaç saniyelik klipler üretir ve bunları aşamalar hâlinde uzatır. Değerlendirme, Fréchet Inception Distance (FID) metriğinin videodaki karşılığı olan Fréchet Video Distance gibi tek bir dağılım puanından, konu tutarlılığından isteme bağlılığa uzanan 16 boyutu puanlayan VBench gibi paketlere geçti. Gerçekçi çıktılar deepfake üretimini de mümkün kılar; bu nedenle sağlayıcılar üretilen videoları yapay zekâ filigranlarıyla ve İçerik Kimlik Bilgileriyle işaretler. Google, her Veo videosuna görünmez bir SynthID filigranı ekler.










