Kako generirati 8-sekundne videozapise sa zvukom pomoću Veo 3 od Geminija

¿Kako generirati 8-sekundne videozapise sa zvukom pomoću Veo 3 od Geminija? Ako tražite kako Generirajte 8-sekundne videozapise sa zvukom pomoću Veo 3 od GeminijaDošli ste na pravo mjesto. Google je izgradio snažan ekosustav oko Veo 3.x modela za video i Geminija kako bi sve orkestrirao, ali službene informacije su raspršene i ponekad previše tehničke. Ovdje ćete pronaći jasno, organizirano objašnjenje na standardnom španjolskom (Španjolska) jeziku kako biste razumjeli što možete učiniti, kako to funkcionira i koja su njegova ograničenja.

U sljedećim redcima vidjet ćete Kako stvoriti videozapise sa zvukom iz teksta, slika ili čak drugih videozapisaKako kontrolirati trajanje, format i rezoluciju; kako rukovati asinkronim API operacijama; i koji napredni parametri vam daju veću kreativnu kontrolu. Također, mogu vam reći da korisnici Gemini Pro verzije trenutno mogu generirati ograničen broj videa tjedno izravno iz sučelja, bez dodirivanja ikakvog koda, te da će Gemini Omni postupno preuzeti ulogu Veoa unutar aplikacije.

Gemini, Omni i Veo 3: kako se sve uklapa

Google sve više spaja Gemini i Veo kako bi se kreativni proces pojednostavio. U aplikaciji Gemini, Omni model će postupno zamijeniti Veo kao glavno sučelje, ali u osnovi će se i dalje koristiti video modeli iz Veo 3.x obitelji: Veo 3.1, Veo 3.1 Fast, Veo 3.1 Lite, Veo 3 i njegove Fast varijante, kao i Veo 2 za određene slučajeve.

Omni kombinira Geminijeva multimodalna inteligencija s naprednim generativnim medijskim mogućnostimaGenerira video iz teksta, pretvara slike u animirane isječke te nudi uređivanje i razumijevanje videa uz pomoć umjetne inteligencije. Istovremeno obuhvaća kontekst, zvuk, slike i tekst, dajući vam veću kontrolu nad finim podešavanjem konačnog proizvoda i natječe se s AI video feedovima poput Meta Vibesa.

Ako koristite Gemini API, ovim video modelima pristupate putem specifični kodovi modela (Na primjer, "veo-3.1-generate-preview" za najnoviju verziju pregleda). Ako ste Pro korisnik na sučelju gemini.google.com, trenutno imate izravan pristup Veo 3 za generiranje do 10 videozapisa od osam sekundi tjedno bez pisanja ikakvog koda, a postoje i alternative kao što su Bing Video Creator.

Ukratko: Blizanci su ulaz, Omni je ujedinjeno iskustvo unutar aplikacije, a Veo 3.x su specijalizirani motori koji zapravo generiraju videozapise sa zvukom, kontrolirajući parametre kao što su omjer slike, trajanje, razlučivost, referentne slike, interpolacija ili proširenje.

Što je Veo 3.1 i zašto je ključan za 8-sekundne videozapise sa zvukom?

Veo 3.1 je Googleov model najnovije generacije za video. unutar Gemini ekosustava. Dizajniran je za generiranje kratkih 8-sekundnih isječaka (i također isječaka od 4 ili 6 sekundi) s kvalitetom do 4K i, što je vrlo važno, s izvorno generiranim zvukom sinkroniziranim sa scenom.

S ovim modelom možete proizvesti 8-sekundni videozapisi u 720p, 1080p ili 4K rezolucijiPodržava horizontalni i vertikalni format 9:16. Posebno je moćan za filmske stilove, kreativnu animaciju i videozapise s dijalozima i zvučnim efektima, a dodaje i nekoliko naprednih značajki: vertikalne videozapise, proširenje prethodnih videozapisa, određivanje prvog i posljednjeg kadra i referentne slike.

U praksi, kada pozovete Gemini API s modelom «veo-3.1-generiraj-pregled"Možete proslijediti jednostavan tekstualni upit za pretvaranje teksta u video ili ga kombinirati s ulazima slike ili videa za postizanje složenijih slučajeva: slike u video, interpolacije između kadrova ili proširenja postojećeg materijala prethodno generiranog pomoću Veoa."

Nadalje, Veo 3.1 uvijek generira video s integriranim zvukombez potrebe za zasebnim sastavljanjem zvučne podloge. To uključuje dijaloge, zvučne efekte i ambijentalne zvukove, uvijek podložno sigurnosnim filterima sustava.

Osnovni načini: tekst u video, slika u video i video u video

Najizravnija upotreba je način tekst u videoModelu dajete detaljan opis onoga što želite, uključujući želite li dijalog, zvučne efekte i ambijent, te dobivate 8-sekundni video. U API-ju se to radi pozivom funkcije generiraj_videozapise (Python, JavaScript, Go, Java) ili REST predictLongRunning rutu Veo modela.

Na primjer, možete zatražiti krupni plan dviju osoba koje gledaju crtež na zidu, uz bljeskanje svjetiljke i kratku razmjenu dijaloga. Model će generirati i vizualnu scenu i mrmljanje glasova i ambijentalne zvukove na način koji je u skladu s tekstom koji ste opisali.

Druga metoda je pretvaranje slike u video, gdje dajete sliku kao početni kadar. Veo je koristi kao početnu točku i generira pokret i zvuk oko nje. Tipičan primjer je prvo stvaranje slike s "gemini-3.1-flash-image-preview" (model slike interno poznat kao Nano Banana 2), a zatim prosljeđivanje te slike Veo 3.1 za animaciju. Rezultat je isječak u kojem scena oživljava na 8 sekundi.

Konačno, tu je i način rada video u video (proširenje)Ekskluzivno za Veo 3.1 i Veo 3.1 Fast: Dostavljate video koji je prethodno generirao Veo, a model ga nastavlja dodavanjem nekoliko dodatnih sekundi akcije, zadržavajući stil i narativ. Ovo je savršeno ako već imate solidan isječak od 8 sekundi i želite dosljedno nastaviti slijed.

Kontrolirajte omjer slike: horizontalno i vertikalno

Da bi se vaši videozapisi dobro uklopili na YouTube, prilikom uređivanja videozapisa unutar TikToka, Reelsa ili Shortsa, ključno je savladati omjer slikeVeo 3.1 vam omogućuje odabir između horizontalnog formata 16:9 (zadano) i vertikalnog formata 9:16, pomoću parametra omjer slike u konfiguraciji generacije.

U klijentskim bibliotekama (npr. Python), jednostavno definirate omjer_aspekta="9:16" U konfiguraciji za dobivanje vertikalnog videa, JavaScript koristi `aspectRatio` u objektu `config`, a REST koristi `aspectRatio` unutar `parametara`. Ako ništa ne navedete, generirat će se tradicionalni 16:9 širokozaslonski videozapis.

Tipičan primjer bio bi food role s vertikalnom montažom kuhara koji priprema pizzu, uz elektroničku glazbu. U tom slučaju, odredite omjer slike 9:16, a Veo će generirati isječak spreman za vertikalne mreže, poštujući kadriranje i kompoziciju namijenjenu mobilnim uređajima.

Ova fleksibilnost vam omogućuje dizajn specifičan sadržaj za svaku platformu bez potrebe za naknadnim ponovnim kadriranjem. Samo prilagodite parametar, a model se brine o uklapanju sve radnje unutar traženog formata.

Odaberite rezoluciju: 720p, 1080p i 4K

Drugi ključni faktor je razlučivost videakojim upravljate parametrom "rezolucija". Veo 3.1 može izravno generirati isječke u 720p, 1080p i 4K (potonje nije dostupno u Veo 3.1 Lite). Prema zadanim postavkama, većina primjera koristi 720p, ali za videozapise visoke kvalitete možete zatražiti 1080p ili 4K sve dok trajanje traje 8 sekundi.

Postoji nekoliko stvari koje treba imati na umu: Veća rezolucija znači veću latenciju i veće troškoveGeneriranje 4K videa traje dulje, a cijena po pozivu se također povećava, stoga je logično rezervirati ovaj format za ključne dijelove ili materijal koji vam je potreban u maksimalnoj razlučivosti.

Nadalje, funkcija od Video ekstenzija je ograničena na 720pDakle, ako kasnije želite produžiti isječak, najbolje ga je u početku stvoriti u ovoj rezoluciji. Veo 3 i Veo 3.1 dopuštaju samo 4K i 1080p isječke u trajanju od 8 sekundi, što se dobro uklapa u scenarij kratkog videa sa zvukom koji nas ovdje zanima.

U API-ju jednostavno navedite "rezoluciju": "4k" ili "1080p" ovisno o klijentskom jeziku. U REST-u se to prenosi unutar "parametara". Ako ništa ne navedete, dobit ćete isječak od 720p, što je obično dovoljno za društvene mreže i izradu prototipa.

Koristite slike kao ulaz i kao referencu

Jedna od najmoćnijih značajki Veo 3.1 je ta što Prihvaća do tri referentne slike za vođenje stila i sadržaja videa. Ovaj sustav radi paralelno s glavnom slikom (ako je koristite kao prvi kadar) i služi za održavanje dosljednosti likova, odjeće ili proizvoda tijekom cijelog isječka.

Zamislite da ste generirali tri slike pomoću Gemini 3.1 Flash Image: upečatljivu haljinu, sunčane naočale u obliku srca i portret modela. Ove slike možete proslijediti Veo 3.1 kao referentne objekte, navodeći da su tipa "imovina". Model će ih koristiti tako da žena u videu zadrži isto lice, istu haljinu s perjem i iste sunčane naočale dok se kreće preko tirkizne lagune.

Ova tehnika je vrlo korisna za kreativne kampanje s ponavljajućim likovima ili proizvodimaTo osigurava da animirani rezultat poštuje dizajn prethodno stvoren u statičnoj slici. U konfiguraciji generiranja jednostavno uključujete niz "reference_images" ili "referenceImages" ovisno o jeziku, sa svakom od kodiranih slika (obično u base64 ili kao objekt slike iz klijentske biblioteke).

Osim toga, možete koristiti jednu sliku kao prvi kadar (slika) Bez dodatnih referenci, ako sve što želite je animirati tu scenu točno onakvu kakva jest, Veo će koristiti kompoziciju slike i proširiti je tijekom vremena, generirajući pokret i zvuk prema tekstualnim uputama.

Kontrola prvog i posljednjeg kadra (interpolacija)

Veo 3.1 omogućuje nešto posebno zanimljivo za napredne korisnike: generiranje videa eksplicitnim definiranjem početni kadar i završni kadarOva funkcionalnost, dizajnirana za interpolaciju, daje vam vrlo visoku razinu kontrole nad time kako točno sekvenca počinje i završava.

Postupak je jednostavan: početnu sliku prosljeđujete kao glavni parametar "image", a konačnu sliku određujete kao "lastFrame" ili "last_frame" unutar konfiguracije. Model generira 8 sekundi snimke koherentnom interpolacijom između obje slike, a istovremeno poštuje tekstualni opis onoga što bi se trebalo dogoditi između.

Tipičan primjer bila bi scena mekog horora: sablasna figura koja se ljulja ispod iskrivljenog drveta na maglovitoj čistini. Uvodni kadar prikazuje sablasnu ženu na ljuljački; ​​završni kadar prikazuje praznu ljuljačku koja se njiše sama od sebe. Veo 3.1 obrađuje kretanje magle, postupni nestanak figure i jezive zvučne efekte koji prate promjenu.

Ova interpolacija vam omogućuje točno odrediti kompoziciju prednjeg plana i pozadineOvo je vrlo korisno kada želite poštovati konceptualne dizajne ili integrirati video u veći niz gdje su ti specifični kadrovi ključni.

Proširite videozapise generirane pomoću Veo-a

Još jedna izvanredna značajka Veo 3.1 i Veo 3.1 Fast je videoproširenjeMožete uzeti isječak koji ste već stvorili pomoću Veoa (do 141 sekunde) i produžiti ga u koracima od 7 sekundi, do maksimalnog ukupnog trajanja od 148 sekundi. API spaja izvorni videozapis i prošireni dio u jednu rezultirajuću datoteku.

Postoji nekoliko ograničenja: ulazni video mora imati Rezolucija 720p, omjer slike 16:9 ili 9:16 i maksimalno trajanje od 141 sekundeOsim toga, možete proširiti samo videozapise koje je generirao Veo i pohranio na poslužitelju u posljednja dva dana (ako ih koristite kao ulaz, brojač se resetira na ta 2 dana).

Praktičan slučaj upotrebe izgledao bi otprilike ovako: generirate isječak origami leptira koji leti u vrt, a zatim ga produžujete kako bi pratio leptira dok slijeće na cvijet i pojavljuje se razigrano štene. U pozivu proširenja prosljeđujete prethodni video kao ulaz i dodajete novu tekstualnu uputu koja objašnjava što bi se trebalo dogoditi sljedeće.

Ova značajka je idealna kada Želite iterirati na ideji koja već funkcionira o pretvorite duge videozapise u viralne isječke, bez počinjanja od nule i održavanja stila, palete boja i atmosfere.

Kako funkcioniraju asinhrone API operacije

Generiranje videa je računalno intenzivan zadatak, pa Gemini API za Veo radi s dugoročne operacijeTo jest, pošaljete zahtjev, odmah primite objekt "operacija" i zatim morate provjeravati njegov status sve dok polje "done" ne postane istinito.

Uzorak je sličan u Pythonu, JavaScriptu, Gou, Javi i REST-u: generiranje započinjete s `generate_videos` ili REST pozivom `predictLongRunning`, spremate naziv operacije, a zatim postavljate petlju koja povremeno (na primjer, svakih 10 sekundi) ispituje... operacije.dobijanje ili REST rutu za operacije s tim imenom.

Nakon što se operacija čini završenom, objekt odgovora uključuje popis generiranih videozapisaU većini primjera radit ćete s jednim videozapisom (pozicija 0) koji možete preuzeti putem klijenta za datoteke biblioteke ili pomoću URI-ja za preuzimanje navedenog u odgovoru, zajedno s vašim API ključem.

Sustav predviđa minimalnu latenciju od približno 11 sekundi, a maksimalnu do 6 minuta tijekom vršnih sati. Preporučljivo je strpljivo zakazati anketiranje i upravljati mrežnim greškama ili otkazivanjima prema potrebama vašeg pozadinskog sustava.

Ključni parametri Veo 3.x API-ja

Kako biste maksimalno iskoristili Veo 3.1 i njegove varijante, važno je znati parametre koje možete prilagoditi u svakom zahtjevuOpćenito govoreći, podijeljeni su u dvije skupine: "instance" (ulazi) i parametri generiranja.

Podržani ulazi uključuju: tekstualni upit (opis videa, uključujući audio zapise), slika (početna slika), zadnjiOkvir (konačna slika za interpolaciju, kombinirana sa slikom), referenceImages (do tri referentne slike kao što smo već spomenuli) i video (samo u Veo 3.1 / 3.1 Fast, za prethodno generirano video proširenje).

Što se tiče parametara generacije, najvažniji su: Omjer stranica (16:9 ili 9:16), trajanjeSekunde (4, 6 ili 8, uz uvjet da mora biti 8 kada postoji proširenje, referentne slike ili rezolucije 1080p i 4K), osobaGeneracija (koji kontrolira način generiranja ljudi, s regionalnim ograničenjima) i rezolucija (720p, 1080p, 4K ovisno o modelu i kućištu).

Nadalje, postoji parametar sjeme Veo 3 i Veo 3.1 nude značajku koja omogućuje malo poboljšanu konzistentnost između generacija, iako ne jamči savršeni determinizam. Korisna je ako želite ponoviti ideju sa sličnim varijacijama bez da rezultat potpuno skrene s puta.

Veo verzije i njihove glavne razlike

Unutar Geminijaca postoji nekoliko Verzije modela Veosvaki dizajniran za drugačiju kombinaciju kvalitete, brzine i dostupnosti:

Veo 3.1 ("veo-3.1-generate-preview") je najnaprednija verzija u pregledu. Prihvaća tekst i sliku kao ulaz i generira video sa zvukom. Održava ograničenje unosa teksta od 1.024 tokena i dizajniran je za maksimalnu kvalitetu i pune mogućnosti (uključujući 720p ekstenziju, 4K pri 8 sekundi itd.).

Veo 3.1 Fast ("veo-3.1-fast-generate-preview") daje prioritet brzina naspram maksimalne kvaliteteAli i dalje generira video sa zvukom. Idealan je za poslovne usluge koje trebaju brzo proizvesti mnogo varijacija za A/B testiranje, oglase ili sadržaj društvenih mreža.

Veo 3.1 Lite ("veo-3.1-lite-generate-preview") nudi lakši profil: Tekst i slika kao ulaz, video sa zvukom, ali bez 4K i s određenim ograničenjima u opsegu. Koristan je za smanjenje troškova ili latencije u manje zahtjevnim scenarijima.

Uz seriju 3.1, još uvijek postoje Veo 3 ("veo-3.0-generate-001") i Veo 3 Fast ("veo-3.0-fast-generate-001"), oba stabilna, koji podržavaju unos teksta i slika te video izlaz sa zvukom, s rezolucijama do 1080p i funkcijama sličnim onima u 3.1, ali s manjim opsegom u najnovijim značajkama.

Ispod toga je Veo 2 ("veo-2.0-generate-001"), koji Prihvaća tekst i slike kao ulaz. Međutim, generira video bez ugrađenog zvuka, s rezolucijom do 720p i nekim razlikama u načinu generiranja ljudi. I dalje je koristan za neke tijekove rada gdje vam nije potreban zvuk.

Ograničenja, sigurnost i vodeni žigovi

Kao i svaki sustav za generiranje sadržaja, Veo 3.x podliježe sigurnosni filteri i ograničenja korištenjaGemini primjenjuje filtere kako bi spriječio uvredljiv sadržaj ili sadržaj koji krši pravila te blokira upite koji krše uvjete pružanja usluge ili smjernice za korištenje.

Što se tiče generacije ljudi, postoje vrlo jasna regionalna ograničenjaU EU, Velikoj Britaniji, Švicarskoj i regiji MENA, modeli Veo 3 i 3.1 dopuštaju samo način rada "allow_adult" za personGeneration; Veo 2 podržava i "dont_allow" i "allow_adult", s time da je "dont_allow" zadana postavka. To utječe na način na koji opisujete ljudske likove u svojim upitima.

Sustav također implementira mehanizam za privremeno zadržavanje videozapisaGenerirani isječci pohranjuju se na Googleovim poslužiteljima dva dana. Nakon toga se brišu, pa ako ih trebate zadržati, morate ih preuzeti unutar tog vremena. Ako koristite videozapis kao ulaz za proširenje, on se smatra novim videozapisom i odbrojavanje se ponovno pokreće.

Konačno, svi videozapisi generirani pomoću Veoa uključuju Vodeni žig SynthID-aGoogleova vlasnička tehnologija ugrađuje nevidljive signale za identifikaciju sadržaja generiranog umjetnom inteligencijom. Ova se oznaka može provjeriti pomoću SynthID-ove platforme za provjeru, što omogućuje transparentnost i sljedivost.

Kako napisati dobre upute za Veo

Ako želite maksimalno iskoristiti Veo 3.1 za svoje 8-sekundne videozapise sa zvukom, morate dobro paziti na brza kvalitetaNajbolje upute su jasne, opisne i koriste terminologiju specifičnu za audiovizualni jezik.

Postoji nekoliko elemenata koje treba uključiti: afera (što se pojavljuje, na primjer futuristički grad ili štene), akcijski (što subjekt radi: hoda, trči, gleda u kameru), stil (film noir, znanstvena fantastika, 3D animacija, rezanje papira itd.), kretanje i pozicioniranje kamere (široki plan, krupni plan, pogled iz zraka, snimak iz lutke, subjektivna kamera), efekti leće (dubina polja, makro, široki kut) i atmosfera svjetla i boja (hladni tonovi, topli zalazak sunca, prirodno svjetlo, neonska svjetla itd.).

Primjer poboljšanog upita mogao bi se promijeniti iz "čovjek razgovara telefonom" u opis poput: kinematografski krupni plan očajnog čovjeka u iznošenom zelenom kaputu, koji bira broj na crnom telefonskom broju uz prljavi zid od opeke, osvijetljen zelenim neonskim svjetlom, s malom dubinom polja usmjerenom na njegovo naborano čelo i brojčanik telefona, te zamućenom pozadinom u more svjetala. Što više relevantnih detalja navedete, Veo će lakše razumjeti ton i estetiku koju tražite..

Omjer slike možete kontrolirati i iz samog teksta, određujući želite li "široki zaslon" ili video dizajniran za vertikalne mobilne uređaje, iako se preporučuje kombinirati ga s tehničkim parametrom "aspectRatio" za veću preciznost.

Zahtjev za audio: dijalozi, efekti i ambijent

Jedna od ključnih prednosti Veo 3.1 u usporedbi s video modelima bez zvuka je ta što prihvaća eksplicitne upute u vezi sa zvukomU upitu možete izravno opisati određene dijaloge, određene zvučne efekte i pozadinsku zvučnu kulisu.

Za dijalogPreporučuje se korištenje navodnika za doslovni govor: na primjer, "Ovo mora biti ključ", promrmljao je. Na taj način model jasno razlikuje koji su dijelovi izgovoreni tekst, a koji opis. U slučaju zvučni efektiNajbolje ih je izravno imenovati: škripanje guma, urlanje motora, lomljenje grana, koraci po mokrom tlu itd.

El ambijentalna buka Također igra važnu ulogu: tajanstveno zujanje u pozadini, udaljeni šum grada, povremena pjesma usamljene ptice… Ove nijanse pomažu generiranom zvučnom zapisu da nadopuni vizualnu atmosferu koju ste opisali.

U praksi, možete ići od manje prema više detalja. Minimalistički upit može jednostavno naznačiti vrstu glasa i frazu; napredni će opisati ton glasa, tišinu, zvučne teksture i ambijent. Model se bavi sinkronizacijom izlaza s radnjom videa, a zatim možete automatski titlovati svoje videozapise radi pristupačnosti i distribucije.

Korištenje referentnih slika i interpolacije u praksi

Osim stilskih i karakternih referenci, Veo vam omogućuje korištenje Slike kao ulazni podaci za usmjeravanje stvaranja uputa i pričaMožete započeti s nadrealnom makro fotografijom (na primjer, sićušni surferi koji surfaju unutar kamenog sudopera) i osmisliti uputu koja opisuje kako se kamera polako kreće kroz scenu, kako voda pada iz slavine i kako tirkizni valovi svjetlucaju.

U drugim slučajevima, možete kombinirati nekoliko referenci kako biste stvorili neobične kombinacije: prijeteću dubokomorsku ribu, kostim ružičaste princeze s čarobnim štapićem i tijarom te uputu koja traži crtanu verziju ribe koja nosi kostim i maše čarobnim štapićem. Vizualne reference učvršćuju dizajn lika, dok tekst vodi priču.

Interpolacija s prvim i posljednjim kadrom proširuje te mogućnosti: precizno definirate kakav je početni kadar (na primjer, riđa mačka vozi crveni kabriolet na francuskoj rivijeri) i kakav je konačni kadar (automobil koji pada s litice), te pustite Veu da izmisli koherentnu međusekvencu u 8 sekundi.

Zajedno, ovi alati čine Veo 3.1 Vrlo fleksibilan mehanizam za kratko vizualno pripovijedanjegdje možete kombinirati detaljan statički dizajn (izrađen pomoću slikovnih modela) s animacijom i zvukom generiranim umjetnom inteligencijom, bez gubitka kontrole nad ključnim elementima.

Sve navedeno čini korištenje Veo 3 iz Geminija jednim od najpotpunijih načina za izradu kratkih videa sa zvukom programski ili izravno iz aplikacije: kontrolirate trajanje, format, rezoluciju, likove, vizualni stil, zvuk, pa čak i kako se postojeći isječak razvija s uzastopnim proširenjima, sve dok poštujete sigurnosne, zadržavajuće i tehničke parametre koje nameće platforma.