口頭ビデオ、中国メーカーが戦いに加わる

過去6か月間、AI生成ビデオが断続的に宣伝され、口頭ビデオも中国メーカーが継続的に参入している主要な分野になりました。

動画にナレーションを付けることはできますか?これは今起こっていることだ。

OpenAIの大規模人間動画モデルSoraのリリース後、国内企業が相次いで市場に参入し、国内の大規模人間動画モデルは加速段階に入った。

過去6か月間、AI生成ビデオは断続的に進歩してきました。

中国初の自社開発大型動画プラットフォームを標榜するViduと、その後ByteDance、Tencentなど多くの国内メーカーが発表した動画プラットフォームは、たびたび外界から注目を集めてきた。

最近、もう一つの国産ビデオ大モデルが参戦し、快手「克玲」ビデオ世代大モデルの公式サイトが正式にオープンした。

21日、快手克玲は大型アップデートをリリースし、画像から動画への機能が正式にオープンし、静止画像を5秒間の動画に変換できるようになりました。ユーザーはプロンプトテキストを通じて画像内のオブジェクトの移動を制御できます。同時に、動画継続機能も開始され、ワンクリック継続や生成された動画の複数連続継続をサポートし、最大約3分の動画を生成できるようになりました。

これまで各社が発表した大型動画モデルは主に動画表示用だったが、今回発表されたKeling大型モデルはSoraと同様の効果を持つだけでなく、KuaishouのKuaiyingアプリで招待テスト体験も開始された。

Kuaishouによると、Keling大型モデルはKuaishou AIチームによって開発されたという。これは、Sora と同様の技術的ルートを採用し、独自に開発した数々の技術革新を組み合わせています。生成するビデオ解像度は 1080p に達し、最大長は 2 分 (フレーム レート 30fps) に達し、自由なアスペクト比をサポートします。

さらに、当局者は、ケリング大型モデルは大規模で合理的な動きを生成し、それを客観的な運動法則に適合させることができると主張した。

公式ビデオの例では、宇宙飛行士が月面を走っています。カメラがゆっくりと上昇するにつれて、宇宙飛行士の歩き方と影は合理的かつ適切に保たれます。

ほぼ同時に、Meituは7月末に新製品MOKIを発売すると発表した。この製品は、Meitu の大規模モデルのビデオ生成機能に基づいており、ユーザーが AI 短編映画を生成するのに役立ちます。

しかし、多数登場した大規模言語モデルに比べ、大規模動画モデルは盛り上がりが遅く、巨人の存在感に欠けるという見方もある。

なぜそうなるのでしょうか?

大企業は興味がないのでしょうか？

同時に、大規模言語モデル競争の最終ラウンドでは、Kuaishou と Meitu の存在感は低かった。

そして、大型ビデオモデルの分野において、この 2 社の最大の優位性は何でしょうか?

この点について、北京ビジネスデイリーの記者ウェイウェイ氏とシュ・レ氏が議論した。私は思う：

まだ「大学入試」の準備段階にある大企業は、「ポスドク」レベルを直接攻撃することはないだろう。

ビデオを作るということは、単に PPT を構成する写真の集まりを作るということではありません。大企業はこの分野への取り組みを急いでおらず、あまり現実的ではありません。それは単なる筋肉ショーです。

結局のところ、ビデオ生成は、AI の描画をまとめて漫画にするだけではありません。

イメージの一貫性、描写との整合性、光と影の分け方、絵コンテの演出など、より細かい部分まで考慮するほか、プロットを理解して再現する力もあります。

これらすべてには、ビデオ構造、コンテンツ分析、撮影技術、物語の作り方など、複数の垂直分野における詳細な学習が必要です。

その難しさは、チャットや絵を描くこと、チェスに特化することなどとは程遠く、データの蓄積とユーザーのエラー修正によって達成できます。

映画やテレビの分野の巨匠でさえ、間違いを犯すことがよくあります。まだ「大学入試段階」にある人工知能で映画を作ることが、いかに難しいことか想像がつきます。

しかし、快手と美図は、たとえそれが単なる見せかけであっても、筋肉を披露する必要がある。

KuaishouにしろMeituにしろ、大規模ビデオモデルの分野における最大の優位性は、人工知能のディープラーニングのための豊富な「学習教材」を持っていることだ。

これらの「学習教材」に頼ることで、特定の著作権の問題を回避できます。さらに、ビデオ分野での長年のコンテンツの蓄積、垂直セグメンテーション、ラベリングを通じて、大規模モデルは知識をより良く「取得」できるようになり、アルゴリズム設計においても一定のビデオ専門性を備えています。

しかし、それだけです。技術的には、人工知能アルゴリズムの独自の蓄積がまだ不足しています。

また、ビデオビッグモデルが成熟したとしても、映画・テレビ業界で大きな躍進を遂げることは難しい。

短編ドラマでも、広告でも、長編ビデオでも、映画でも、すべて「超大作特殊効果」が使われます。

しかし、最終的に観客を惹きつけるのは、その内容（脚本からカメラの動き、俳優の演技力まで）です。

これらが大規模な商業収益化の鍵となります。

大規模なビデオモデルであれば、アニメーション分野でビジネスチャンスを見つけやすくなるのではないかと思います。