Generátor videa umí vytvořit působivý záběr. Pak přijde další scéna a hlavní postava má jiný kabát, místnost jiné dveře a příběh zapomene, kam mířil. Google Research teď popisuje systém, který se snaží řešit právě tuhle méně efektní, ale pro skutečné vyprávění mnohem důležitější část práce: udržet video pohromadě.
V rychlé zprávě o novém AI video co-director jsme popsali základní oznámení. Podstatná věc je, že Google nepředstavil nový samostatný video model ani nástroj, který by si dnes mohl kdokoli otevřít. Firma popisuje výzkumnou orchestraci několika agentů nad Gemini a Veo: jeden systém plánuje záběry a stav příběhu, další skládají obraz, pohyb a zvuk a další výstup kontrolují.
Proč jeden dobrý klip nestačí
Generování jednotlivého krátkého klipu a vyprávění delšího příběhu jsou odlišné úlohy. V samostatném záběru může model trefit náladu, kompozici i pohyb; při střihu do další scény se ale musí pamatovat, kdo je postava, co drží, kde stojí a co už se v ději stalo. Když tyto informace chybí, každá část může vypadat dobře sama o sobě a celek přesto působí jako sestřih z několika různých filmů.
Google na svém výzkumném blogu popisuje čtyři navazující rámce: Co-Director pro volbu tvůrčího směru, CANVAS pro plánování kontinuity scén, A²RD pro postupné vytváření delšího videa a VQQA pro hledání a opravu obrazových nedostatků. Jejich společným jmenovatelem není nový zázračný model, ale koordinace: udržovat scénář, obrazové kotvy a zpětnou vazbu mezi generováním jednotlivých částí.
V práci Co-Director autoři popisují hierarchické plánování a hledání tvůrčího nastavení napříč celým příběhem. CANVAS staví na trvalejší obrazové paměti postav, prostředí a předmětů, aby se k nim video mohlo vracet. A²RD pak rozděluje delší výstup na segmenty a mezi nimi průběžně aktualizuje kontext. To jsou konkrétní technické pokusy o problém, který běžné zadání „udělej mi film“ samo nevyřeší.
Paměť není režie
Na papíře to zní jako rozdíl mezi náhodným proudem klipů a plánovanou scénou. V praxi ale kontinuita není totéž co dobrý příběh. Postava může mít pokaždé stejný kabát a místnost stejné okno, ale děj může být pořád prázdný, nudný nebo nesmyslný. Konzistence opravuje jednu viditelnou slabinu generování videa; sama o sobě nedodá humor, napětí ani důvod, proč má divák sledovat další scénu.
Google uvádí, že jeho rámce dokážou vytvářet videa dlouhá několik minut, a na blogu ukazuje také desetiminutovou ukázku vytvořenou pomocí A²RD. To je tvrzení firmy o vlastním výzkumu, nikoli důkaz, že systém obstojí v běžné produkci nebo že udrží kvalitu po libovolně dlouhý čas. Výsledky jsou navíc vyhodnocované na konkrétních benchmarcích, jejichž úlohy a kritéria nemusí odpovídat tomu, co považuje za dobrý film divák nebo profesionální střihač.
Zajímavá je i role hodnotitele. V některých krocích další model posuzuje vygenerované video a navrhuje úpravy promptu. Taková zpětná vazba může odhalit zjevný problém, například záměnu nástroje nebo změnu vzhledu postavy. Nezaručuje ale, že systém rozpozná jemnější chybu v motivaci, rytmu nebo významu scény. Automatické hodnocení může zlepšit to, co umí měřit; nemusí poznat, co příběh potřebuje.
Největší posun může být v pracovním postupu
Pokud se tento přístup osvědčí, jeho nejbližší využití nemusí být v celovečerních filmech vytvořených jedním příkazem. Spíš může ubrat část rutinní práce při výrobě reklamních storyboardů, krátkých příběhových videí nebo návrhů scén: hlídat opakující se prvky, sestavit varianty záběrů a dát tvůrci materiál, který může upravit. Google sám svůj výzkum popisuje jako pomocníka, který má odlehčit opakovanou koordinaci, ne jako náhradu lidské režie.
Tím se ale nemění otázka, kdo rozhoduje o výsledku a kdo nese odpovědnost za použité podklady. Čím víc částí produkce systém automaticky propojí, tím důležitější bude vědět, z jakých modelů a dat vychází, jak se zachází s hlasem a podobou skutečných lidí a zda má autor možnost výsledek skutečně řídit. Debata o AI ve filmu už dnes řeší, kde končí nový nástroj a začíná tlak na práci tvůrců; spor otevřený na festivalu v Cannes ukazuje, že technická kvalita není jediným měřítkem přijatelnosti.
Google přidává další vrstvu nad modely pro obraz a video. Je to smysluplnější směr než honba za dalším demem s hezkým jednosekundovým záběrem, protože skutečné vyprávění stojí na návaznosti. Jen bychom neměli zaměnit lepší paměť za režii: souvislý film může být stále bezduchý, a o tom, zda má co říct, zatím rozhoduje člověk.
Vývoj přitom navazuje na jiné produktové kroky Googlu v generování videa. Dřívější uvedení Gemini Omni 1.1 Flash mířilo na tvorbu a úpravy jednotlivých scén; co-director se snaží řešit jejich plánování a kontinuitu napříč delším celkem. To jsou sousedící, ale ne totožné vrstvy technologie.
