Genie 4, canlandırılan dünyalara ses ve anlık değişiklikler ekliyor
Google DeepMind’ın Genie 4 modeli, gezilebilen ortamlarda görüntüyle birlikte ses üretiyor. Kullanıcılar dolaşırken metin komutlarıyla sahneyi değiştirebiliyor. Araştırma önizlemesine yalnızca seçilmiş denekler erişebiliyor; genel kullanıcı ve geliştirici erişimi daha sonra planlanıyor. Uzun oturumlarda nesnelerin biçiminin veya konumunun korunması, karmaşık fiziksel etkileşimler ve sahnenin tutarlı kalması üzerinde çalışmalar sürüyor. Film ve oyun taslakları araştırılan kullanımlar arasında.
Yapay Zekâ··Sabah
Gezilebilen dünyalarda görüntü ve ses birlikte üretiliyor
Yapay zekâ araştırma şirketi Google DeepMind, etkileşimli dünyalar üreten Genie 4 modelini 27 Ekim’de tanıttı. Kullanıcılar klavye komutlarıyla oluşturulan ortamda gezinebiliyor ve kamerayı hareket ettirebiliyor. Görüntülerle birlikte ortam gürültüsü, müzik ve karakterlerin konuşmaları da üretiliyor. Sahne ilerlerken verilen metin komutlarıyla hava koşulları değiştirilebiliyor veya ortama yeni bir kişi ya da nesne eklenebiliyor. Böylece kullanıcı, ortamı izlerken sahnenin gelişimine müdahale edebiliyor.[1], [2]
Gemini modelleri sahnedeki değişiklikleri izliyor
Genie 4, Google’ın Gemini ailesinden çeşitli modelleri bir araya getiriyor. Şirketin açıklamasına göre Gemini Omni görünüş ve davranış için temel sağlıyor. Gemini 3.8 Flash ise üretilen kareleri izliyor, hedefleri adımlara ayırıyor ve bu adımların ilerleyişini denetliyor. Kullanıcı müdahale ettiğinde plan yeniden düzenlenebiliyor. Yaratıcı işler, eğitim, gazetecilik ve mühendislik alanlarından deneklerle araştırılan kullanımlar arasında film sahnelerinin çekim öncesi tasarımı ve oyun fikirlerinin etkileşimli taslakları bulunuyor.[1]
Sınırlı önizleme daha geniş erişimden önce geliyor
Erişim, seçilmiş deneklere sunulan araştırma önizlemesiyle sınırlı. Google, daha sonra Google AI Ultra abonelerine Project Genie üzerinden, belirli geliştirici ortaklarına da kendi geliştirme kanalları üzerinden erişim vermeyi planlıyor. Şirket, uzun oturumlarda ve karmaşık düzenlemelerde nesnelerin görünüşünün veya konumunun değişebildiğini kabul ediyor. Karmaşık fiziksel etkileşimler, doğru ses ve okunaklı yazı hâlâ araştırma konusu. Video ve ses çıktıları, üretilmiş içeriği belirlemek için kullanılan Google filigranı SynthID’yi taşıyor.[1]
