Sora 2.5 जनरेटिव AI वीडियो में एक बड़ा कदम है, खासकर मोशन को संभालने के तरीके में। यह लेख फ़िज़िक्स सिमुलेशन से लेकर टेम्पोरल कोहेरेंस तक, इसकी ख़ास तकनीकी सफलताओं को समझाता है और बताता है कि PicassoIA जैसे प्लेटफ़ॉर्म पर मौजूद प्रतिस्पर्धी टूल इसके मुकाबले कहाँ खड़े हैं।
जब कोई व्यक्ति कॉफ़ी का कप उठाता है, तो उसके अंदर का द्रव एक खास तरीके से हिलता है। जब किसी के कंधे से कपड़ा फिसलता है, तो गुरुत्वाकर्षण और हवा का प्रतिरोध ऐसे पैटर्न में काम करते हैं जो तुरंत असली लगते हैं। मनुष्य की धारणा लाखों वर्षों में चलती हुई भौतिक वस्तुओं को देखने से ढली है, और यही वजह है कि AI से बना वीडियो हमें हमेशा गलत लगा है, भले ही हम यह न बता पाएँ कि ऐसा क्यों लगता है।
Sora 2.5 यह बदलता है। पूरी तरह नहीं। पूरी तरह परफ़ेक्ट भी नहीं। लेकिन ऐसे तरीकों से जो इतने मायने रखते हैं कि गंभीर क्रिएटर्स के AI वीडियो टूल्स के बारे में सोचने का तरीका बदल जाए।
यह लेख उन क्षेत्रों को समझाता है जहाँ Sora 2.5 मापने लायक प्रगति करता है: टेम्पोरल कोहेरेंस, फ़िज़िक्स सिमुलेशन और कैमरा इंटेलिजेंस। फिर यह देखता है कि PicassoIA पर उपलब्ध टेक्स्ट-टू-वीडियो मॉडल का बड़ा इकोसिस्टम इसके मुकाबले कैसा है और प्रतिस्पर्धी अलग क्या करते हैं।
टेक्स्ट-टू-वीडियो मॉडल की पहली पीढ़ी ने वीडियो को इमेज के क्रम की तरह देखा। एक फ़्रेम बनाओ, फिर दूसरा, फिर तीसरा, और उन्हें जोड़ दो। समस्या यह है कि असली दुनिया फ़्रेम-दर-फ़्रेम काम नहीं करती। मेज़ पर लुढ़कती गेंद फ़्रेम के बीच रीसेट नहीं होती। उसकी गति, उसका स्पिन, गुरुत्वाकर्षण से उसका संबंध, सतह के साथ उसकी क्रिया, ये सब समय के साथ एक लगातार भौतिक प्रक्रिया के रूप में चलते रहते हैं।
शुरुआती मॉडल ऐसी क्लिप बनाते थे जिनमें सपने जैसी क्वालिटी होती थी। फ़्रेम के बीच वस्तुएँ अचानक बदल जाती थीं और बैकग्राउंड ऐसे खिसकते थे जो बुनियादी निरंतरता का उल्लंघन करते थे। विज़ुअल जानकारी अक्सर आकर्षक होती थी, लेकिन फ़िज़िक्स इतनी गलत होती थी कि फ़ुटेज प्रोफ़ेशनल काम के लिए बेकार हो जाता था।
नए ओपन-सोर्स विकल्पों ने इटरेशन की रफ़्तार बहुत बढ़ा दी। WanVideo के Wan 2.7 T2V और Lightricks के LTX 2.3 Pro जैसे मॉडल ने टेम्पोरल कंसिस्टेंसी को नए स्तर तक पहुँचाया, लेकिन मूल चुनौती वही रही: वीडियो जनरेशन मॉडल अलग-अलग फ़्रेम को विश्वसनीय दिखाने के लिए ऑप्टिमाइज़ किए जाते हैं, न कि दुनिया के भौतिक रूप से सटीक सिमुलेशन के लिए।
मोशन आर्टिफ़ैक्ट वे खास विफलता के तरीके हैं जो वीडियो के सिंथेटिक होने का पता देते हैं। इनमें शामिल हैं:
Sora 2.5 इन समस्याओं को व्यवस्थित तरीके से संभालता है। यह मॉडल एक जॉइंट स्पेस-टाइम अटेंशन मैकेनिज़्म इस्तेमाल करता है, जो फ़्रेम को स्वतंत्र इमेज की तरह नहीं, बल्कि एक लगातार 4D वॉल्यूम के हिस्सों की तरह प्रोसेस करता है, जहाँ समय चौथा आयाम है। इस तरीके से भौतिक निरंतरता जनरेशन प्रक्रिया की संरचनात्मक विशेषता बन जाती है, न कि ऐसी चीज़ जिसे मॉडल नकली तरीके से दिखाना सीखता है।
💡 मुख्य बात: Sora 2.5 फ़िज़िक्स को पहले सिद्धांतों से सिमुलेट नहीं करता। इसने भारी वीडियो डेटा ट्रेनिंग से यह समझ सीखी है कि भौतिक रूप से संभव मोशन कैसा दिखता है, और फिर उस समझ को समय के आयाम में लगातार लागू करता है।
ऑब्जेक्ट परमानेंस की बुनियादी समझ यह है कि वस्तुएँ तब भी मौजूद रहती हैं जब वे दृश्य से बाहर चली जाती हैं या अपनी जगह बदल लेती हैं। AI वीडियो मॉडल के लिए ऑब्जेक्ट परमानेंस बनाए रखने का मतलब है यह सुनिश्चित करना कि व्यक्ति के मुड़ने पर उसकी शर्ट का रंग वही रहे, कैमरा घूमकर वापस आए तो कॉफ़ी का कप मेज़ पर ही रहे, और पूरे शॉट में कुत्ते की पूँछ की लंबाई एक-सी रहे।
Sora 2 इस मामले में अपने समकालीनों से पहले ही काफ़ी आगे था। Sora 2.5 इसे उस चीज़ के साथ आगे बढ़ाता है जिसे OpenAI बेहतर वर्ल्ड स्टेट ट्रैकिंग कहता है। इसमें मॉडल वस्तुओं की स्थिति, गुण और आपसी संबंधों का एक आंतरिक प्रतिनिधित्व रखता है, जो पूरी क्लिप की अवधि तक बना रहता है।
इसका व्यावहारिक असर चौंकाने वाला है। टेस्ट क्लिप में कैमरा 180 डिग्री घूमकर लौट सकता है और वस्तुएँ बिल्कुल वहीं मिलती हैं जहाँ वे थीं, नए कैमरा एंगल के लिए सही परछाइयों और रोशनी के साथ। पात्र बाधाओं के पीछे चल सकते हैं और दूसरी तरफ़ सही तरीके से निकलते हैं। तरल पदार्थ बर्तनों में असली तरीके से गिर और जमा हो सकते हैं।
पुराने फ़्रेम-दर-फ़्रेम तरीके में हर जनरेट होने वाला फ़्रेम यह पूछता था: "यह फ़्रेम कैसा दिखना चाहिए?" Sora 2.5 का आर्किटेक्चर इस सवाल को बदलकर यह पूछता है: "इस सीन में क्या हो रहा है, और इस वक्त यह कैसा दिखना चाहिए?"
यह फ़र्क दार्शनिक लग सकता है, लेकिन इसके ठोस नतीजे हैं। फ़्रेम-लेवल पर सोचने वाला मॉडल ऐसी आग बनाएगा जो अप्रत्याशित तरीके से टिमटिमाती है, क्योंकि आग के पिक्सल संभाव्यता के आधार पर अलग-अलग होते हैं। सीन-लेवल पर सोचने वाला मॉडल समझता है कि यह खास आग इसी खास बिंदु से शुरू हुई थी और इतने सेकंड से जल रही है, और उसकी मौजूदा स्थिति इन सबसे कारणात्मक रूप से जुड़ी है।
यह वीडियो को हैलुसिनेट करने और वीडियो को याद रखने में फ़र्क है।
Luma AI के Ray 3.2 जैसे मॉडल ने भी सीन-लेवल कोहेरेंस में खासी प्रगति की है, खासकर कैमरा मोशन में। ByteDance के Seedance 2.5 ने एक अलग आर्किटेक्चरल दिशा अपनाई है, जो मोशन की स्मूथनेस और ऑडियो सिंक्रोनाइज़ेशन को प्राथमिकता देता है। हर एक की अपनी ताकत है, लेकिन Sora 2.5 का वर्ल्ड स्टेट ट्रैकिंग इस समय व्यावसायिक रूप से उपलब्ध सीन-लेवल सोच का सबसे मज़बूत लागू रूप है।
भौतिक सिमुलेशन की तीन श्रेणियाँ AI वीडियो मॉडल के लिए लगातार सबसे कठिन रही हैं: फ़्लुइड डायनामिक्स, कपड़े का सिमुलेशन और सॉफ़्ट बॉडी फ़िज़िक्स। ये इसी वजह से कठिन हैं कि पारंपरिक VFX पाइपलाइन में ये कम्प्यूटेशनल रूप से महँगे हैं: इनके मूल भौतिक समीकरण ऐसा अराजक, गैर-रैखिक व्यवहार पैदा करते हैं जो शुरुआती स्थितियों के प्रति बेहद संवेदनशील होता है।
Sora 2.5 क्लिप में जग से पानी गिरने को देखें और उसे दो पीढ़ी पहले के किसी प्रतिस्पर्धी से तुलना करें। धार गिरते हुए सही तरीके से पतली होती है, सतह का तनाव टोंटी के किनारे पर असली तरीके से चिपकने का प्रभाव बनाता है और टूटने से पहले वह वहीं टिकी रहती है, और टकराने पर छींटों के पैटर्न फ़्लुइड डायनामिक्स का पालन करते हैं। मॉडल ने असली पानी के इतने फ़ुटेज देखे हैं कि फ़्लुइड मोशन के बारे में उसकी सीखी हुई समझ अब सचमुच सटीक है।
कपड़े के सिमुलेशन में भी इसी तरह की प्रगति दिखती है। कपड़ा गुरुत्वाकर्षण और मूवमेंट पर सही प्रतिक्रिया देता है: जब कोई पात्र तेज़ी से मुड़ता है तो कोट फूलता है, सही वज़न के साथ बैठता है, और जोड़ों और दबाव वाले बिंदुओं पर भौतिक रूप से विश्वसनीय सिलवटें बनती हैं। बाल पूरी क्लिप में हवा की दिशा के साथ लगातार चलते हैं, न कि फ़्रेम-दर-फ़्रेम दिशा बदलते हैं।
कठिनाई केवल कम्प्यूटेशनल नहीं है। फ़्लुइड और कपड़े की फ़िज़िक्स गहराई से नॉन-लोकल होती हैं: बहते पदार्थ के एक हिस्से के साथ क्या होता है, यह उसी समय हर दूसरे हिस्से के साथ जो हो रहा है उस पर निर्भर करता है। पानी में एक लहर ऊपरी धारा और निचली धारा की परिस्थितियों को प्रभावित करती है। एक बिंदु पर कपड़े का तनाव आसपास के हिस्सों को खींचता है।
मौजूदा वीडियो डिफ़्यूज़न मॉडल स्पेशियल जानकारी अटेंशन मैकेनिज़्म के ज़रिए बनाते हैं, जो शक्तिशाली तो हैं, लेकिन इन नॉन-लोकल भौतिक निर्भरताओं को पकड़ने के लिए साफ़ तौर पर डिज़ाइन नहीं किए गए थे। Sora 2.5 इसकी भरपाई बड़े ट्रेनिंग डेटा और मॉडल स्केल के संयोजन से करता दिखता है, जिससे उसके पास इन अंतर्क्रियाओं को अप्रत्यक्ष रूप से अनुमानित करने की प्रतिनिधित्व क्षमता है।
💡 क्रिएटर्स के लिए: इसका मतलब है कि जटिल भौतिक परिस्थितियों का वर्णन करने वाले प्रॉम्प्ट (पानी की सतह पर बारिश की बूँदें गिरना, हवा में रेशम उड़ना, पानी के अंदर बाल) अब ऐसे प्रॉम्प्ट छह महीने पहले की तुलना में कहीं ज़्यादा संभावना से इस्तेमाल लायक फ़ुटेज देते हैं।
प्रोफ़ेशनल सिनेमैटोग्राफ़ी की अपनी शब्दावली है: रैक फ़ोकस, डॉली ज़ूम, डच एंगल, हैंडहेल्ड, ट्रैकिंग शॉट, क्रेन अप। ये शब्द सिर्फ़ कैमरे की स्थिति नहीं, बल्कि समय के साथ कैमरे और सब्जेक्ट के बीच के संबंध का वर्णन करते हैं, जिसमें यह भी शामिल है कि मूवमेंट भावनात्मक रूप से क्या संप्रेषित करता है।
Sora 2.5 ने इस शब्दावली को उस तरह आत्मसात किया है जैसा पिछले मॉडल नहीं कर पाए थे। "किसी वक्ता के चेहरे पर धीमा डॉली-इन" का प्रॉम्प्ट ऐसा फ़ुटेज देता है जिसमें कैमरा मूवमेंट में वज़न और इरादा होता है। "हैंडहेल्ड फ़ॉलो शॉट" हल्की, असली कैमरा अस्थिरता देता है, जो रैंडम काँपने की जगह इंसान द्वारा ऑपरेट किए गए कैमरे जैसा लगता है।
यह ऐसा क्षेत्र है जहाँ Runway के Gen 4.5 ने खास मज़बूती दिखाई है, और Kwai के Kling v3 ने मोशन कंट्रोल की सटीकता में उल्लेखनीय प्रगति की है। यहाँ प्रतिस्पर्धा कड़ी है, और हर मॉडल सिनेमैटिक भाषा की व्याख्या में अलग ताकत दिखाता है।
स्टैटिक कैमरे का मतलब यह नहीं कि कुछ हिल नहीं रहा। कैमरा स्थिर रहता है, लेकिन सब्जेक्ट फ़्रेम से होकर गुज़रते हैं, रोशनी बदलती है, परिवेश का मोशन चलता रहता है। Sora 2.5 स्टैटिक कैमरा क्लिप में खास तौर पर अच्छा एंबिएंट मोशन संभालता है, यानी पेड़ विश्वसनीय तरीके से हिलते हैं, परदे हवा के झोंकों से खिसकते हैं, और बैकग्राउंड की गतिविधि उचित विविधता के साथ जारी रहती है।
डायनामिक कैमरा क्लिप एक अलग चुनौती पेश करती हैं: कैमरा चलते समय पूरे बैकग्राउंड को सही तरीके से री-प्रोजेक्ट होना चाहिए, ढकी हुई जगहें विश्वसनीय तरीके से भरी जानी चाहिए, और गहराई के संबंध बने रहने चाहिए। Sora 2.5 की वर्ल्ड स्टेट ट्रैकिंग की ताकत सीधे डायनामिक कैमरा परफ़ॉर्मेंस को सहारा देती है, क्योंकि मॉडल एक सुसंगत 3D वर्ल्ड मॉडल बनाए रखता है जिसमें से कैमरा गुज़र रहा होता है, न कि तुरंत नए बैकग्राउंड पिक्सल बनाता है।
पिछले एक साल में टेक्स्ट-टू-वीडियो क्षेत्र की क्षमताएँ तेज़ी से करीब आई हैं। यहाँ प्रमुख मॉडल कहाँ खड़े हैं, इसका ईमानदार आकलन है:
| मॉडल | टेम्पोरल कोहेरेंस | फ़िज़िक्स सटीकता | कैमरा कंट्रोल | नेटिव ऑडियो | अधिकतम रिज़ॉल्यूशन |
|---|---|---|---|---|---|
| Sora 2 Pro | उत्कृष्ट | उत्कृष्ट | मज़बूत | हाँ | 1080p |
| Veo 3.1 | बहुत अच्छा | बहुत अच्छा | अच्छा | हाँ | 1080p |
| Seedance 2.5 | अच्छा | अच्छा | अच्छा | हाँ | 1080p |
| Kling v3 | अच्छा | मध्यम | बहुत अच्छा | आंशिक | 1080p |
| Ray 3.2 | अच्छा | मध्यम | बहुत अच्छा | हाँ | 1080p |
| Wan 2.7 T2V | अच्छा | मध्यम | मध्यम | नहीं | 1080p |
| Hailuo 02 | बहुत अच्छा | अच्छा | मध्यम | नहीं | 1080p |
कोई एक मॉडल सब कुछ सबसे अच्छा नहीं करता। Google का Veo 3.1 ऑडियो-सिंक्रनाइज़्ड वीडियो बनाता है, जिसकी एम्बिएंट साउंड क्वालिटी इस समय बेजोड़ है: बारिश सच में गीली लगती है, कदमों की आवाज़ में सतह की सही गूँज होती है, और संवाद का समय होंठों की हरकत के साथ स्वाभाविक रूप से मेल खाता है।
Kling v2.6 मोशन कंट्रोल की सटीकता के लिए अब भी सबसे मज़बूत विकल्प है, खासकर खेल और एक्शन कंटेंट के लिए, जहाँ मूवमेंट के खास रास्ते मायने रखते हैं। Ray 3.2 सिनेमैटिक कैमरा मूव्स में उत्कृष्ट है और ऐसा फ़ुटेज बनाता है जिसकी फ़िल्म जैसी क्वालिटी प्रोफ़ेशनल तरीके से शूट की गई सामग्री के साथ स्वाभाविक रूप से मेल खाती है।
ByteDance का Seedance 2.5 लंबी अवधि की कंसिस्टेंसी के लिए अलग दिखता है। 30 सेकंड तक का टेम्पोरली कोहेरेंट फ़ुटेज उन कहानी वाले कामों के लिए बड़ा व्यावहारिक फ़ायदा है, जहाँ कई कट आपस में मेल खाने चाहिए।
जो क्रिएटर्स एक शुरुआती बिंदु चुनकर उसी पर इटरेट करना चाहते हैं, उनके लिए व्यावहारिक सलाह है कि कंटेंट के प्रकार के हिसाब से टूल चुनें:
Sora 2.5 जैसे मॉडल आने से पहले AI वीडियो सचमुच छोटे उदाहरण वाले क्लिप तक सीमित था: प्रोडक्ट रिवील, एब्स्ट्रैक्ट विज़ुअल, बैकग्राउंड एलिमेंट। मोशन की क्वालिटी नैरेटिव काम के लिए पर्याप्त नहीं थी, क्योंकि कैरेक्टर कंसिस्टेंसी टूटती थी, फ़िज़िक्स बिगड़ती थी और कैमरा मूव्स नकली लगते थे।
Sora 2.5 में सुधरी टेम्पोरल कोहेरेंस स्वतंत्र क्रिएटर्स का हिसाब बदल देती है। जो फ़िल्ममेकर विस्तृत और तकनीकी रूप से सटीक प्रॉम्प्ट लिख सकता है, वह अब इनके लिए फ़ुटेज बना सकता है:
उपयोगी नज़रिया यह नहीं है कि "AI फ़िल्ममेकिंग की जगह ले लेता है", बल्कि यह है कि "AI किसी दिए गए बजट में जो संभव है उसका दायरा बढ़ाता है।" $5,000 के प्रोडक्शन बजट वाली शॉर्ट फ़िल्म में पहले हेलीकॉप्टर से शूट किया गया सीन, सौ एक्स्ट्रा वाला भीड़ का दृश्य, या ऐतिहासिक काल के लिए सटीक सेट वाला इतिहास-आधारित माहौल शामिल नहीं हो सकता था। पर्याप्त सक्षम AI वीडियो के साथ इनमें से कुछ सीक्वेंस पहुँच में आ जाते हैं।
सबसे बड़ी सीमा जो अब भी बनी है, वह है कटों के बीच कैरेक्टर कंसिस्टेंसी। अगर आपकी फ़िल्म में एक ही व्यक्ति कई अलग-अलग AI-जनरेटेड शॉट्स में दिखना चाहिए, तो Sora 2.5 सहित मौजूदा मॉडल भरोसे के साथ एक जैसी चेहरे की बनावट और भौतिक विशेषताएँ नहीं बनाए रख पाएँगे। यहीं Kling Avatar v2 और P Video एक खास जगह भरते हैं, जो रेफ़रेंस इमेज का इस्तेमाल करके कई जनरेशनों में कैरेक्टर की दिखावट को स्थिर रखते हैं।
कमर्शियल एप्लिकेशन के लिए हिसाब नैरेटिव फ़िल्ममेकिंग से अलग दिखता है। कमर्शियल वीडियो आम तौर पर छोटे होते हैं (15 से 60 सेकंड), शॉट-केंद्रित होते हैं न कि किरदार-केंद्रित, और कहानी की निरंतरता की जगह विज़ुअल क्वालिटी और प्रोडक्ट प्रस्तुति पर ज़्यादा ज़ोर देते हैं।
यहीं Sora 2.5 के फ़िज़िक्स सुधार प्रोफ़ेशनल्स के लिए सबसे सीधे फ़ायदेमंद होते हैं। स्किनकेयर ब्रांड के प्रोडक्ट वीडियो में पानी असली लगना चाहिए। फ़ूड एडवर्टाइज़िंग क्लिप में भाप, सॉस और बनावट को विश्वसनीय तरीके से बर्ताव करना चाहिए। फ़ैशन वीडियो में कपड़े को हवा में खूबसूरती से हिलना चाहिए।
कमर्शियल वीडियो ब्रीफ़ के लिए वर्कफ़्लो अब कई प्रोडक्शन टीमों के लिए कुछ ऐसा दिखता है:
कई शॉर्ट-फ़ॉर्म कमर्शियल एप्लिकेशन के लिए यह पाइपलाइन प्री-प्रोडक्शन के दिनों को घंटों में और प्रोडक्शन के दिनों को जनरेशन के कुछ मिनटों में समेट देती है।
💡 वह क्वालिटी बार जो मायने रखता है: सवाल यह नहीं है कि नियंत्रित परिस्थितियों में AI वीडियो RED कैमरे जितना अच्छा दिखता है या नहीं। सवाल यह है कि क्या वह सोशल मीडिया, ईमेल कैंपेन, प्रेज़ेंटेशन या क्लाइंट पिच जैसे खास आउटपुट चैनल के लिए काफ़ी अच्छा दिखता है। इनमें से कई संदर्भों के लिए, मौजूदा मॉडल की क्वालिटी पहले ही मानक पर खरी उतर चुकी है।
वीडियो डिफ़्यूज़न मॉडल को एक ऐसी चुनौती का सामना करना पड़ता है जो इमेज डिफ़्यूज़न मॉडल के सामने नहीं होती: उन्हें एक साथ तीन स्पेशियल आयामों और एक टेम्पोरल आयाम में सुसंगत रहना होता है। शुरुआती तरीकों ने इसे फ़्रेम अलग-अलग पर ट्रेनिंग करके संभाला, इसीलिए टेम्पोरल आर्टिफ़ैक्ट इतने आम थे।
Sora-क्लास मॉडल जिस आर्किटेक्चरल नवाचार का इस्तेमाल करते हैं, वह जॉइंट स्पेस-टाइम अटेंशन मैकेनिज़्म है। केवल स्पेशियल पड़ोसियों (एक फ़्रेम में एक-दूसरे के पास के पिक्सल) पर ध्यान देने के बजाय, मॉडल स्पेशियोटेम्पोरल पड़ोसियों (स्पेस और समय दोनों में एक-दूसरे के पास के वॉक्सल) पर ध्यान देता है। इससे मॉडल के लिए टेम्पोरल असंगतियाँ बनाना संरचनात्मक रूप से कठिन हो जाता है, क्योंकि जो अटेंशन वेट्स स्थानीय स्पेशल कोहेरेंस सुनिश्चित करते हैं, वही स्थानीय टेम्पोरल कोहेरेंस भी सुनिश्चित करते हैं।
Sora 2.5 के अंदर कोई स्पष्ट फ़िज़िक्स इंजन नहीं है। मॉडल पानी की गति के लिए फ़्लुइड सिमुलेशन समीकरण नहीं चलाता, न ही Navier-Stokes हल करता है। इसके बजाय उसके पास वास्तविक भौतिक घटनाएँ वीडियो में कैसी दिखती हैं, इसका एक विशाल सांख्यिकीय मॉडल है, जो असली दुनिया के फ़ुटेज के विशाल कॉर्पस पर ट्रेनिंग से बना है।
यह तरीका उम्मीद से कहीं ज़्यादा अच्छा काम करता है, क्योंकि असली दुनिया में फ़िज़िक्स बहुत नियमित है: पानी मंगलवार को भी वैसे ही बर्ताव करता है जैसे शनिवार को। पर्याप्त ट्रेनिंग डेटा वाला मॉडल भौतिक रूप से वैध पानी की गति के वितरण को इतनी अच्छी तरह सीख लेता है कि उस वितरण से सैंपल बनाने पर भौतिक रूप से सटीक दिखने वाले नतीजे मिलते हैं।
इसका निहितार्थ यह है कि मॉडल स्केल सीधे फ़िज़िक्स की सटीकता में बदलता है। ज़्यादा डेटा पर ट्रेन किए गए बड़े मॉडलों के फ़िज़िक्स प्रायर ज़्यादा सटीक होंगे, और Sora के वर्ज़न 1 से 2.5 तक यही प्रक्षेपवक्र रहा है।
इस लेख में चर्चा किया गया हर मॉडल एक ही प्लेटफ़ॉर्म से उपलब्ध है। PicassoIA पर Sora 2, Sora 2 Pro, Veo 3.1, Seedance 2.5, Kling v3, Ray 3.2 और 80 से ज़्यादा अतिरिक्त टेक्स्ट-टू-वीडियो मॉडल एक ही जगह मिलते हैं, साथ में प्रॉम्प्ट सुधारने के लिए लार्ज लैंग्वेज मॉडल (LLM) का पूरा सेट भी।
Sora 2.5 मोशन के साथ जो सही करता है, उसकी समझ बनाने का सबसे तेज़ तरीका है कि एक ही प्रॉम्प्ट से कई मॉडल पर क्लिप बनाएँ और नतीजों की सीधी तुलना करें। किसी सरल भौतिक परिस्थिति से शुरू करें (पानी गिरना, हवा में कपड़ा, किसी बनावट वाली सतह पर चलता व्यक्ति), जहाँ फ़िज़िक्स की सटीकता को देखकर आँका जा सके। मॉडलों के बीच फ़र्क तुरंत दिखेगा, और आप जल्दी समझ जाएँगे कि कौन-सा टूल किस तरह के प्रोजेक्ट के लिए ठीक है।
प्रॉम्प्ट की विशिष्टता वह कौशल है जो सबसे तेज़ी से बढ़ता है। अस्पष्ट प्रॉम्प्ट का नतीजा औसत जैसा होता है। विस्तृत प्रॉम्प्ट जो रोशनी की दिशा, कैमरा लेंस की विशेषताएँ, भौतिक सामग्री के गुण और मोशन की गति साफ़-साफ़ बताते हैं, मॉडल को इतनी सीमाएँ देते हैं कि वह एक स्पष्ट रचनात्मक दृष्टि से मेल खाने वाला फ़ुटेज बना सके।
शुरू करें। AI वीडियो एक साल पहले जो कर सकता था और आज जो कर सकता है, उसके बीच का फ़ासला इतना बड़ा है कि उसकी सीमाओं के बारे में ज़्यादातर पुरानी धारणाएँ अब गलत हो चुकी हैं। अभी उपलब्ध मॉडल, जिनमें PicassoIA पर Sora 2.5 और उसके प्रतिस्पर्धी शामिल हैं, ऐसा फ़ुटेज बनाने में सक्षम हैं जिसके लिए ठीक 18 महीने पहले भी काफ़ी क्रू, उपकरण और लोकेशन स्काउटिंग की ज़रूरत होती।
यह फ़ासला लगातार घट रहा है। जो क्रिएटर्स अभी प्रयोग कर रहे हैं, वे प्रॉम्प्ट की कुशलता और वर्कफ़्लो की समझ बना रहे हैं, जो तकनीक के आगे बढ़ने के साथ सबसे ज़्यादा मायने रखेगी।
अपनी भाषा चुनें
