Google Vids मध्ये Gemini Omni आणि वैयक्तिक अवतार जोडले गेले

Google रोजच्या कार्यालयीन सॉफ्टवेअरमध्ये AI व्हिडिओ निर्मिती अधिक खोलवर नेत आहे

Google ने आपल्या Workspace व्हिडिओ टूल Google Vids साठी दोन नवीन AI फीचर्स जाहीर केली आहेत: प्रॉम्प्ट-आधारित व्हिडिओ जनरेशन आणि एडिटिंगसाठी Gemini Omni, आणि personal avatars, जे वापरकर्त्यांना सेल्फी आणि व्हॉइस रेकॉर्डिंगमधून डिजिटल प्रतिनिधी तयार करू देतात. या अपडेटमधून स्पष्ट होते की मोठ्या प्लॅटफॉर्म कंपन्यांपैकी एक जनरेटिव्ह मीडियाचा पुढचा टप्पा कुठे पाहते: केवळ विशेष सर्जनशील साधनांमध्ये नाही, तर रोजच्या कार्यस्थळ संवाद उत्पादनांमध्येही.

हा बदल महत्त्वाचा आहे. जनरेटिव्ह व्हिडिओभोवतीचा सुरुवातीचा ग्राहक-उत्साह बहुतेकदा आकर्षक लघु डेमो, मॉडेल क्षमतेची शर्यत आणि स्वतंत्र सर्जनशील कार्यप्रवाहांभोवती होता. Google चे Vids अपडेट अधिक व्यावहारिक दिशेने निर्देशित आहे. ते AI व्हिडिओला ऑफिस पायाभूत सुविधा म्हणून मांडते, म्हणजे अंतर्गत स्पष्टीकरणे, प्रेझेंटेशन्स आणि संदेशाधारित क्लिप्स जलद आणि कमी निर्मिती तयारीसह तयार करण्याचा मार्ग.

Google च्या पोस्टनुसार, Gemini Omni वापरकर्त्यांना साध्या टेक्स्ट प्रॉम्प्ट्स आणि इमेज संदर्भांच्या मदतीने उच्च-गुणवत्तेच्या क्लिप्स तयार आणि संपादित करू देते. कंपनीचे म्हणणे आहे की लोक इच्छित परिणामाचे वर्णन करून पार्श्वभूमी बदलणे किंवा प्रकाश दुरुस्त करणे यांसारखे बदल करू शकतात. दुसरीकडे, personal avatars हे अशा वापरकर्त्यांसाठी आहेत ज्यांना प्रत्येक वेळी स्वतःचे रेकॉर्डिंग न करता व्हिडिओमध्ये दिसायचे आहे. या सेटअपमध्ये सेल्फी आणि व्हॉइस सॅम्पल वापरून डिजिटल प्रस्तुतकर्ता तयार केला जातो.

हे फक्त एक फीचर अपडेट का नाही

वरवर पाहता, हे AI media tools च्या गर्दीच्या बाजारात आणखी एक product refresh वाटू शकते. पण त्यांना Google Workspace मध्ये दिलेले स्थानच त्यांना धोरणात्मक वजन देते. Workspace हे एखादे खास creative suite नाही. अनेक संस्था आधीच लिहिणे, सादर करणे, योजना आखणे आणि सहकार्य करणे यासाठी ज्या पद्धती वापरतात त्याचा तो भाग आहे. जेव्हा व्हिडिओ जनरेशन आणि avatar-आधारित प्रेझेंटेशन त्या वातावरणात येतात, तेव्हा त्या मानक व्यावसायिक वर्तन म्हणून सामान्य होणे सोपे होते.

व्यावहारिक आकर्षण स्पष्ट आहे. अनेक कार्यस्थळातील व्हिडिओ कल्पनांच्या कमतरतेमुळे नाही, तर वेळ, एडिटिंग कौशल्य आणि कॅमेऱ्यासमोर सहजतेच्या अभावामुळे मर्यादित होतात. प्रॉम्प्ट-चालित प्रणाली क्लिप निर्मितीतील अडथळा कमी करते. अवतार क्लिपमध्ये दिसण्याचा अडथळा कमी करतो. प्रशिक्षण, अपडेट्स, ऑनबोर्डिंग आणि अंतर्गत घोषणांसाठी, हे friction लक्षणीयरीत्या कमी करू शकते.

ही साधने फक्त raw generation पुरती मर्यादित नाहीत, यावर Google विशेष भर देत आहे. नैसर्गिक भाषेत बदल सांगून विद्यमान क्लिप सुधारण्याची क्षमता ही या संकल्पनेचा मुख्य भाग आहे. त्यामुळे उत्पादन आणि post-production एका संभाषणात्मक workflow मध्ये एकत्र करण्याचा Google चा प्रयत्न दिसतो, जो पूर्णपणे cinematic generation demo पेक्षा सामान्य कार्यालयीन वापरकर्त्यांसाठी अधिक उपयुक्त ठरू शकतो.

पारदर्शकता आता उत्पादन-कथेचा भाग बनत आहे

मूळ मजकुरातील सर्वात महत्त्वाच्या तपशीलांपैकी एक म्हणजे प्रत्येक AI-generated clip मध्ये digital watermark समाविष्ट असेल. AI-निर्मित सामग्री “transparent and honest” ठेवण्यासाठी Google हे पारदर्शकतेचे साधन म्हणून मांडते. हा शब्दप्रयोग महत्त्वाचा आहे, कारण avatar आणि video-generation साधने authenticity, consent, identity आणि प्रेक्षकांची दिशाभूल होण्याचा धोका अशा अनेक संवेदनशील रेषांच्या अगदी जवळ येतात.

वॉटरमार्किंगला पुढे ठेवून, केवळ सोय पुरेशी नाही हे Google मान्य करत आहे. जर एखादे platform विश्वासार्ह संदेश किंवा synthetic ऑन-कॅमेरा उपस्थिती तयार करणे सोपे करत असेल, तर ती सामग्री कशी चिन्हांकित केली जाईल हेही दाखवावे लागेल. प्रत्यक्षात watermarking पुरेसे आहे का, हा वेगळा वाद आहे; पण त्याचा येथे समावेश हे दाखवतो की provenance आता मुख्य प्रवाहातील product design चा भाग बनत आहे, केवळ policy चर्चेचा नाही.

Personal avatar फीचर या दृष्टीने विशेष उघड करणारे आहे. सतत रेकॉर्डिंग न करता वारंवार updates देण्याची क्षमता कॉर्पोरेट वापरकर्त्यांना आवडू शकते, पण avatar tools representation आणि trust संदर्भातील प्रश्नही तीव्र करतात. Google चे framing पूर्णपणे कामाभिमुख आहे: कॅमेरा सेटअप करायचा नसेल किंवा प्रत्येक संदेश रेकॉर्ड करायचा नसेल, तर तुमच्या व्हिडिओमध्ये दिसण्यासाठी custom digital avatar तयार करा. यामुळे वापर-क्षेत्र मर्यादित होते, पण synthetic identity शी संबंधित व्यापक नैतिक प्रश्न नाहीसे होत नाहीत.

जनरेटिव्ह मीडियाचे मोठे चित्र

हे अपडेट्स दाखवतात की जनरेटिव्ह व्हिडिओ frontier model showcase मधून embedded utility कडे किती वेगाने जात आहे. Vids वापरकर्त्यांनी आधीच लाखो व्हिडिओ तयार केले आहेत आणि पूर्वीच्या अपडेट्समध्ये Veo 3.1 साठी विस्तृत प्रवेश होता, असे Google नोंदते. Gemini Omni आता generation आणि editing ला रोजच्या prompting च्या अधिक जवळ आणून ती दिशा पुढे नेतो. हे यशस्वी ठरल्यास, मोठ्या office ecosystems मध्ये non-specialist video production कशी दिसेल हे ठरवण्यास मदत होऊ शकते.

इथे एक सूक्ष्म पण महत्त्वाचा बाजार-संदेशही आहे. जिंकणारी AI media products ही कदाचित सर्वात cinematic output देणारीच असतील असे नाही. तीच जास्त प्रभावी ठरतील जी लोक आधीच जिथे काम करतात, तिथे सर्वात चांगल्या प्रकारे बसतात. त्या अर्थाने, Google model क्षमतेइतकेच वितरण आणि workflow integration यावरही पैज लावत आहे.

पात्रतेवरील मर्यादा कायम आहेत, आणि टूल्स उपलब्ध आहेत का हे तपासण्यास source text वापरकर्त्यांना सांगतो. तरीही दिशा स्पष्ट आहे. AI व्हिडिओ निर्मिती आता अपवादात्मक सर्जनशील घटना न राहता, business communication software चे नियमित वैशिष्ट्य म्हणून पॅक केली जात आहे.

मुख्य मुद्दे

• Google Vids मध्ये आता Gemini Omni आणि personal avatars समाविष्ट आहेत.
• वापरकर्ते टेक्स्ट प्रॉम्प्ट्स आणि इमेज संदर्भांसह क्लिप्स तयार किंवा संपादित करू शकतात.
• पारदर्शकतेसाठी AI-generated clip मध्ये digital watermark असेल, असे Google ने सांगितले.
• हे अपडेट जनरेटिव्ह व्हिडिओला रोजच्या Workspace workflow मध्ये अधिक खोलवर नेते.

या लाँचमधील सर्वात महत्त्वाचा भाग म्हणजे क्लिप तयार किंवा संपादित करण्यासाठी प्रॉम्प्ट टाइप करण्याची नवीता नाही. ती वर्तणूक कामासाठी आधीच वापरल्या जाणाऱ्या साधनांमध्ये सामान्य होणे हे अधिक महत्त्वाचे आहे. जनरेटिव्ह मीडिया जेव्हा कार्यस्थळाच्या defaults मध्ये शिरते, तेव्हा communication software आणि content-production software यांच्यातील रेषा अधिक पातळ होत जाते.

हा लेख Google AI Blog मधील रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.