ఇక ఏఐ సినిమా!

పదాల కూర్పు ఆధారంగా చిటికెలో ఫొటోలు, చిత్రాలు, సంగీతం, పాటలను పుట్టిస్తున్న కృత్రిమ మేధ (ఏఐ) మరో అడుగు ముందుకేసింది. ఏకంగా వీడియోలనూ సృష్టించే స్థాయికి చేరుకుంది. విప్లవాత్మక ఛాట్‌జీపీటీని రూపొందించిన ఓపెన్‌ఏఐ సంస్థ కొత్తగా తీసుకొచ్చిన జనరేటివ్‌ కృత్రిమ మేధ (జెన్‌ఏఐ) మోడలే దీనికి నిదర్శనం. దీని పేరు సోరా. టెక్స్ట్‌ ప్రాంప్ట్‌ను వీడియోగా మార్చటం దీని ప్రత్యేకత. ఇప్పటివరకూ జెన్‌ఏఐకి అంతగా కొరుకుడు పడని ఈ విద్యను తాజా మోడల్‌ సుసాధ్యం చేసేసి అబ్బురపరుస్తోంది.

యూజర్‌ ప్రాంప్ట్‌ను కచ్చితంగా పాటిస్తూ, దృశ్య నాణ్యతలో రాజీ పడకుండా నిమిషం నిడివి వీడియోలను సృష్టిస్తూ సోరా ఔరా అనిపిస్తోంది. పలు పాత్రలతో సంక్లిష్ట దృశ్యాలనూ ఇది పుట్టిస్తుండటం గొప్ప విషయం. అదీ నేపథ్యం, ఆయా అంశాల వివరాలను కచ్చితంగా ప్రతిబింబిస్తోంది. వాస్తవ ప్రపంచంలో అవి ఎలా ఉంటాయో కూడా సోరా అర్థం చేసుకోగలదని ఓపెన్‌ ఏఐ పేర్కొంటోంది. అయితే ఇంకా పరిపూర్ణత సాధించాల్సి ఉందని, ఇంకాస్త సంక్లిష్టమైన ప్రాంప్ట్‌లకు స్పందించటం నేర్చుకోవాల్సి ఉందని చెబుతోంది.

ఏంటీ దీని గొప్పతనం?

జనరేటివ్‌ ఏఐ రోజురోజుకీ నైపుణ్యాన్ని పెంపొందించు కుంటోంది. ఇప్పటికే ప్రాంప్ట్‌ల ఆధారంగా ఛాట్‌జీపీటీ అక్షర రూపంలో సమాచారాన్ని అందిస్తోంది. ఆన్‌లైన్‌లో ఉన్న విషయాన్ని ఒకదగ్గర గుది గుచ్చి ఇవ్వటం చాలామందిని ఆకర్షిస్తోంది. పదాల సాయంతో ఇమేజ్‌లను, సంగీతాన్నీ సృష్టించటం నేర్చుకుంది. కానీ టెక్స్ట్‌ ప్రాంప్ట్‌లతో వీడియోను రూపొందించే ప్రక్రియే కాస్త వెనకబడింది. కదులుతున్న వస్తువులను 3డీలో విశ్లేషించటం సంక్లిష్టమైంది కావటం పెద్ద అడ్డంకిగా నిలుస్తోంది. వీడియో అనేది ఇమేజ్‌ల పరంపర కాబట్టి ఒకే కొలతల్లో వాటిని కూర్చాల్సి ఉంటుంది కూడా. ఇలాంటి సవాళ్లను అధిగమించటంలో సోరా విజయం సాధించింది. భాషను లోతుగా అర్థం చేసుకోవటంలో, ప్రాంప్ట్‌లను కచ్చితంగా ఊహించటం, వేర్వేరు భావోద్వేగాలను పలికించే పాత్రలను సృష్టించటంలో పురోగతి సాధించింది. ఇది ఒకే వీడియోలో వేర్వేరు షాట్లనూ సృష్టించగలదు. అదీ పాత్రల రూపురేఖల్లో ఎలాంటి తేడా లేకుండా. దీని పనితనాన్ని చూపించే కొన్ని ఊదాహరణలనూ ఎక్స్‌లో పోస్ట్‌ చేశారు. ‘అందమైన, మంచు కురుస్తున్న టోక్యో పట్టణం. ఆ వాతావరణాన్ని ఆస్వాదిస్తున్న ప్రజలు. దగ్గరలో దుకాణాలు. గాల్లో ఎగురుతున్న మంచు స్ఫటికాలు’ ఇలాంటి వాతావరణంతో కూడిన దృశ్యాన్ని జనరేట్‌ చేయమని అడగగానే అచ్చం అలాంటి వీడియోనే సృష్టించేసింది.

ఇతర కంపెనీలూ..

ఓపెన్‌ ఏఐ సంస్థ ఒక్కటే కాదు.. పలు ఇతర టెక్‌ కంపెనీలూ టెక్స్ట్‌-టు-వీడియో రంగంలోకి దిగుతున్నాయి. గూగుల్‌కు చెందిన ల్యూమిరే ఐదు సెకండ్ల వీడియోను సృష్టించగలదు. ఇది ఒక్క టెక్స్ట్‌తోనే కాకుండా ఇమేజ్‌ ప్రాంప్ట్‌లనూ వాడుకుంటుంది. రన్‌వే, పికా వంటి కంపెనీలూ టెక్స్ట్‌-టు-వీడియో మోడళ్ల విషయంలో గణనీయమైన ప్రగతిని సాధించాయి.

ఇప్పుడు కొందరికే..

ప్రస్తుతం ఎంపిక చేసిన కొందరికే సోరాను అందుబాటులోకి తెచ్చారు. ఓపెన్‌ ఏఐ ప్రొడక్టుల్లో దీన్ని చేర్చటానికి ముందు కొన్ని భద్రత చర్యలు తీసుకోవాల్సి ఉందని కంపెనీ ప్రకటించింది. ప్రజలకు అందుబాటులోకి తేవటానికి ముందు సెక్యూరిటీ నిపుణులు, విధాన కర్తలు ప్రయత్నించటం కోసం దీన్ని అందుబాటులో ఉంచాలని భావిస్తున్నారు. అవాస్తవాలు, రెచ్చగొట్టే అంశాలను సృష్టించకుండా చూడటానికే ఈ ప్రయత్నం. అవసరమైన సూచనలు తీసుకునే ఉద్దేశంతో నటులు, డిజైనర్లు, దర్శకులకూ సోరాను వాడుకోవటానికి అనుమతించారు. ఇది సోరాను మరింత మెరుగు పరచటానికి తోడ్పడుతుంది. తప్పుడు అంశాలను గుర్తించేందుకు డిటెక్షన్‌ క్లాసిఫయర్‌ వంటి టూల్స్‌నూ అభివృద్ధి చేస్తున్నారు. ఇది సోరా సాయంతో వీడియోను ఎప్పుడు జనరేట్‌ చేశారో తెలియజేస్తుంది.

లోపాలు లేకపోలేదు

సోరాలో కొన్ని లోపాలు లేకపోలేదని ఓపెన్‌ ఏఐ చెబుతోంది. సంక్లిష్ట దృశ్యాల తీరుతెన్నులను కచ్చితంగా సృజించటంలో ఇబ్బంది పడొచ్చని వివరిస్తోంది. కొన్ని పనులకు సంబంధించి కార్య కారణ ప్రభావాన్ని అర్థం చేసుకోలేకపోవచ్చు. ఉదాహరణకు- ఎవరైనా బిస్కట్‌ను కొరికిన తర్వాత దాని మీద పళ్ల గుర్తు పడకపోవచ్చు. ప్రాంతాలకు సంబంధించిన ప్రాంప్ట్‌ల విషయంలోనూ తికమక పడొచ్చు. కుడి, ఎడమలను కలగలపొచ్చు. కెమెరా ఫోకస్‌ చేసే దారిని అనుసరించటంలోనూ ఇబ్బంది పడొచ్చు. ఏ పరిజ్ఞానానికైనా ఆదిలో ఇలాంటి ఇక్కట్లు తప్పవు. రాన్రానూ మెరుగవటం చూస్తూనే ఉన్నాం. ఛాట్‌జీపీటీ గత ఐదేళ్లలో ఎంత గణనీయంగా మెరుగుపడిందో ప్రత్యక్షంగా గమనిస్తూనే ఉన్నాం. టెక్స్ట్‌-టు-వీడియో మోడళ్లూ మున్ముందు నైపుణ్యాన్ని గణనీయంగా మెరుగు పరచుకోవటం ఖాయం. అప్పుడు కేవలం పదాల ఆధారంగానే చిన్నపాటి సినిమాలు సృష్టించినా ఆశ్చర్యపోనవసరం లేదు.