Google анонсувала ШІ Veo для створення відео та PaliGemma 2 для обробки зображень та тексту

Google представила нову модель генеративного штучного інтелекту Veo, призначену для створення відеоконтенту. Цей інструмент, доступний через платформу Vertex AI, дозволяє користувачам генерувати відео тривалістю більше однієї хвилини і роздільною здатністю 1080p.

Для роботи з Veo не потрібні спеціальні навички – достатньо задати текстовий запит або завантажити зображення. Штучний інтелект перетворює введені дані у відеоряд, враховуючи вибраний користувачем візуальний стиль та кінематографічні ефекти.

Отримані ролики можна редагувати, коригувати окремі елементи та додавати персоналізовані деталі, такі як логотипи. Veo орієнтований на креативних професіоналів, маркетологів та контент-мейкерів, допомагаючи швидко створювати візуально привабливі матеріали.

Google представила нову версію моделі PaliGemma 2, яка стала розвитком попередньої версії і призначена для роботи з текстом і зображеннями. Анонс було зроблено після демонстрації можливостей Gemma 2 на конференції I/O 2024 року.

Модель PaliGemma 2 розширює можливості своєї попередниці, яка була орієнтована на додавання підписів до зображень та відео, розпізнавання тексту, аналіз об’єктів та відповіді на візуальні запити. Нова версія отримала функцію “довгих підписів”, яка дозволяє генерувати більш детальні описи візуального контенту, включаючи дії, емоції та загальний контекст сцени.

Покращені функції:

• Генерація довгих описів: облік складних деталей та атмосфери сцени.
• Аналіз складних структур: покращене розпізнавання таблиць, хімічних формул та музичних партитур.
• Просторове мислення: точніший аналіз рентгенівських знімків та інших медичних даних.

PaliGemma 2 доступна в кількох варіантах з різним числом параметрів (3B, 10B, 28B), що дозволяє адаптувати її під різні завдання та обсяги даних. Продуктивність значно покращена, і нова модель сумісна з попередньою, що спрощує її інтеграцію.

Для зручності користувачів моделі та код PaliGemma 2 вже розміщені на таких платформах, як Kaggle, Hugging Face та Ollama, що робить її доступною для розробників та дослідників.