«फोटो एनिमेट करना» टेक्निकली क्या मतलब रखता है

इमेज-टू-वीडियो (i2v) मॉडल एक अकेली इमेज लेते हैं और फ्रेम की एक ऐसी सीरीज़ जनरेट करते हैं जो मूवमेंट जैसी दिखती है। यह text-to-video जनरेटर से अलग है, जो शुरू से बनाते हैं। i2v में आप एक तय सोर्स फ्रेम से शुरू करते हैं: चेहरा, पोज़ और बैकग्राउंड सबको पूरे क्लिप में स्थिर और पहचान में रहना होता है।

मॉडल वीडियो डेटा से सीखता है और अंदाज़ा लगाता है कि आपकी इमेज में कौन-सा मूवमेंट भरोसेमंद लगेगा: सिर का हल्का मुड़ना, झूलना, हाव-भाव में बदलाव। यह फोटो को सचमुच जीवित नहीं करता। फोटो जनरेशन की तरह, आउटपुट एक जनरेट किया गया वीडियो है, हकीकत की रिकॉर्डिंग नहीं।

सबसे मुश्किल हिस्सा है temporal consistency (कालिक निरंतरता)। चेहरा, कपड़े और बैकग्राउंड सारे फ्रेम में बिना बहके या अचानक बदले स्थिर और सुसंगत रहने चाहिए। वीडियो जनरेशन में ज़्यादातर कंप्यूटेशन यहीं जाता है, और इसीलिए i2v मॉडल स्टैटिक फोटो जनरेटर से काफी ज़्यादा पावर इस्तेमाल करते हैं।

Hoty में यह कैसे काम करता है, स्टेप दर स्टेप

1. सोर्स फोटो। सोर्स एक ताज़ा अपलोड की गई फोटो हो सकती है या अकाउंट हिस्ट्री से पहले से बना रिज़ल्ट — दूसरे मामले में फोटो पहले ही स्टैंडर्ड मॉडरेशन पास कर चुकी होती है, इसलिए दोबारा जाँच नहीं होती।

2. वीडियो इफेक्ट चुनें। उपलब्ध इफेक्ट में से «वीडियो में एनिमेट» चुनें — कॉइन की कीमत कन्फर्म करने से पहले दिखती है, बिल्कुल फोटो इफेक्ट की तरह।

3. जनरेशन। आपकी रिक्वेस्ट प्रोसेसिंग क्यू में जाती है। i2v मॉडल सोर्स फ्रेम को एनालाइज़ करता है और सारे फ्रेम के लिए मूवमेंट कैलकुलेट करता है। इसमें फोटो जनरेशन से ज़्यादा समय लगता है, पर यह बैकग्राउंड में चलता है और आप स्क्रीन पर प्रोग्रेस अपडेट देखते रहते हैं।

4. रिज़ल्ट। आपका बना हुआ वीडियो हिस्ट्री में आ जाता है। आप इसे डाउनलोड कर सकते हैं या तुरंत कुछ सेकंड और आगे बढ़ा सकते हैं।

«ताज़ा अपलोड» और «पहले से बने रिज़ल्ट» को सोर्स बनाने में फर्क सिर्फ सहूलियत का नहीं है: पहले से मॉडरेट हो चुकी फोटो को दोबारा इस्तेमाल करने से प्रोसेस तेज़ होता है, क्योंकि सिस्टम को सोर्स दोबारा जाँचने की ज़रूरत नहीं — वह पहली जनरेशन के दौरान ही जाँच पास कर चुका होता है।

किस तरह के मूवमेंट की उम्मीद करें

i2v मॉडल नेचुरल, हल्का मूवमेंट बनाता है: सिर का हल्का मुड़ना, नज़र का बदलना, हाव-भाव में बदलाव, साँस लेना, बाल या कपड़े का झूलना। आपको पूरी एनिमेशन या जटिल कोरियोग्राफी नहीं मिलती। यह कुछ सेकंड का एक छोटा, भरोसेमंद क्लिप होता है जहाँ इमेज जीवंत होती लगती है।

क्वालिटी पूरी तरह सोर्स फोटो पर निर्भर करती है। एक शार्प, अच्छी तरह कंपोज़ की गई इमेज धुँधली इमेज से ज़्यादा भरोसेमंद मूवमेंट देती है।

मॉडल नई चीज़ें या घटनाएँ नहीं गढ़ता। यह उसी को एनिमेट करता है जो आपके फ्रेम में पहले से है। text-to-video से यही मुख्य फर्क है, जहाँ क्लिप बिना किसी सोर्स फोटो के, एक डिस्क्रिप्शन से शुरू से जनरेट होता है।

वीडियो को आगे बढ़ाना: लंबा क्लिप पाना

आप बने हुए वीडियो को सीधे हिस्ट्री से आगे बढ़ा सकते हैं। सोर्स खुद वीडियो होता है, कोई नई फोटो अपलोड नहीं। यह एक अलग इफेक्ट है जिसे video extend कहते हैं, और यह शुरू से जनरेट करने से सस्ता पड़ता है क्योंकि यह ओरिजिनल जनरेशन की मॉडरेशन को दोबारा इस्तेमाल करता है।

थोड़ा-थोड़ा करके आगे बढ़ाना, एक ही बार में लंबा वीडियो ऑर्डर करने से आसान है। लंबे वीडियो मॉडल के लिए बनाना ज़्यादा मुश्किल होते हैं और उनमें आर्टिफैक्ट ज़्यादा आते हैं।

सिस्टम आपके वीडियो के आखिरी फ्रेम को शुरुआती बिंदु बनाता है और एक ऐसा कंटिन्यूएशन जनरेट करता है जो पहले वाले हिस्से के मूवमेंट और स्टाइल से मेल खाए। इसीलिए आप एक के बाद एक कई बार आगे बढ़ा सकते हैं, क्लिप की लंबाई धीरे-धीरे बढ़ाते हुए।

बेहतर रिज़ल्ट के लिए सोर्स फोटो कैसे चुनें

साफ़, अच्छी लाइटिंग वाली फोटो इस्तेमाल करें, ज़्यादा धुँधली नहीं। डार्क या नॉइज़ी फ्रेम पर मॉडल मूवमेंट के साथ जूझता है। एक ऐसा चेहरा जो खुला हो और सीधा या हल्के एंगल पर दिखे, सबसे अच्छा काम करता है।

कम डिटेल वाला सादा बैकग्राउंड आर्टिफैक्ट कम करता है। एक जैसे बैकग्राउंड को मॉडल के लिए एनिमेट करना भरे-भरे सीन से आसान होता है।

रेज़ोल्यूशन मायने रखता है। छोटी या ज़्यादा कंप्रेस की गई फोटो मॉडल को काम करने के लिए कम डिटेल देती है, जिससे फाइनल वीडियो में धुँधलापन और शार्पनेस के नुकसान का खतरा बढ़ता है। मीडियम या हाई रेज़ोल्यूशन वाली फोटो जो ज़्यादा डिजिटल ज़ूम के बिना ली गई हो, आमतौर पर साफ़ रिज़ल्ट देती है।

टेक्नोलॉजी की सीमाएँ

फोटो एनिमेट करने की सीमाएँ हैं। क्लिप छोटे होते हैं, हर रन में कुछ सेकंड, और आगे बढ़ाने से कुछ सेकंड और जुड़ते हैं। मूवमेंट सिर्फ भरोसेमंद, हल्के पैटर्न तक सीमित रहता है। अजीब एंगल या कम क्वालिटी वाली फोटो ज़्यादा आर्टिफैक्ट देती हैं, जैसे बिगड़े किनारे या अस्थिर लाइटिंग।

फोटो जनरेशन की तरह, हर अपलोड कॉइन कटने से पहले मॉडरेट होता है। यह इफेक्ट सिर्फ आपकी अपनी फोटो के लिए उपलब्ध है, या ऐसी फोटो के लिए जिसमें दिखने वाले व्यक्ति ने सहमति दी हो।

वीडियो जनरेशन फोटो जनरेशन से ज़्यादा कंप्यूटेशनली महँगा है। आप सिर्फ एक इमेज नहीं, फ्रेम की पूरी सीरीज़ कैलकुलेट कर रहे होते हैं। इसलिए वीडियो का इंतज़ार और कॉइन कॉस्ट आमतौर पर मिलते-जुलते फोटो इफेक्ट से ज़्यादा होता है। अगर आपको मुख्य रूप से फोटो चाहिए, तो फोटो इफेक्ट पर रहें और वीडियो उन्हीं शॉट्स के लिए रखें जिन्हें आप वाकई एनिमेट करना चाहते हैं।

अक्सर पूछे जाने वाले सवाल

यह भी पढ़ें