HiDream-O1-Video-1.0 آپریشن میں

HiDream-O1-Video-1.0 (مختصراً HD-V1) چینی کمپنی HiDream.ai کی جانب سے پیش کیا گیا مقامی مکمل ملٹی موڈل ویڈیو جنریشن ماڈل ہے۔ یہ متن، تصاویر، ویڈیوز سمیت متعدد اقسام کے ان پٹ کو سپورٹ کرتا ہے اور ایک کلک سے 5–20 سیکنڈ کی 1080p ویڈیو تیار کر سکتا ہے۔ یہ ماڈل طبیعیاتی اصولوں پر مبنی جنریشن اور آڈیو و ویڈیو کے مقامی یکجا انضمام میں نمایاں ہے۔ Artificial Analysis کے امیج ٹو ویڈیو رینکنگ (With Audio) میں عالمی سطح پر چوتھے اور Arena.ai کے بلائنڈ ٹیسٹ رینکنگ میں آٹھویں نمبر پر ہے، جو اس بات کی علامت ہے کہ چینی AI ویڈیو ٹیکنالوجی عالمی صفِ اول میں داخل ہو چکی ہے۔

ملٹی موڈل ان پٹ: متن، تصاویر، ویڈیوز اور دیگر متعدد موڈلز کو جنریشن کی شرائط کے طور پر سپورٹ کرتا ہے۔
اعلیٰ معیار کی ویڈیو براہِ راست تخلیق: ایک کلک سے 5–20 سیکنڈ کی 1080p اعلیٰ معیار کی ویڈیو تیار کریں۔
ارادے کی سمجھ: پیشگی ملٹی موڈل فہم کا ماڈیول غیر رسمی زبان میں دیے گئے ان پٹ کو شاٹس، کرداروں، حرکات، صوتی اثرات اور دیگر پیشہ ورانہ عناصر پر مشتمل منظم منصوبے میں تبدیل کرتا ہے۔
طبعی اصولوں کے مطابق تخلیق: کششِ ثقل، تصادم اور جمود جیسے طبعی اصول تخلیقی منطق میں شامل ہیں، جس سے منظر کی تبدیلی اور حرکت حقیقی دنیا سے ہم آہنگ رہتی ہے۔
ذہین دورانیے کی منصوبہ بندی: ویڈیو کا دورانیہ مقررہ وقت کی میکانی تکمیل کے بجائے واقعات کی منطق اور بیانیہ رفتار کے مطابق خودکار طور پر طے کیا جاتا ہے۔
آواز اور تصویر کا یکجا ہونا: متن، ویڈیو اور آڈیو سگنلز کی مشترکہ ماڈلنگ کے ذریعے لبوں کی حرکت، صوتی اثرات اور منظر کی فطری ہم وقتی حاصل کی جاتی ہے۔
بیانیہ اور کرداروں کا تسلسل: پہلے منصوبہ بندی، پھر مشترکہ تخلیق، اور اس کے بعد Reward alignment کے عمل کے ذریعے طویل شاٹس میں بیانیے کا تسلسل اور کرداروں کا مستقل رہنا یقینی بنایا جاتا ہے۔

قدرتی کثیرالوسائط متحدہ معماری: HD-V1، زی شیانگ کی خود تیار کردہ قدرتی کثیرالوسائط معماری استعمال کرتا ہے۔ معماری کے ڈیزائن کے آغاز ہی سے متن، ویڈیو اور آڈیو کی متحدہ نمائندگی کو مدنظر رکھا گیا ہے۔ تینوں کو ایک ہی تخلیقی عمل میں مشترکہ طور پر ماڈل کیا، باہمی طور پر محدود اور ہم آہنگ کیا جاتا ہے؛ منظر کی حرکت آواز کی لے کو متعین کرتی ہے، مکالمے اور صوتی اثرات شاٹ کے جذبات کو تقویت دیتے ہیں، جبکہ متنی شرائط پورے عمل میں موجود رہتی ہیں۔
پیشگی کثیرالوسائط ارادے کی تفہیم کا ماڈیول: ماڈل سب سے پہلے کثیرالوسائط تفہیمی ماڈل کی مدد سے صارف کے ان پٹ کو گہرائی سے سمجھتا اور منظم منصوبہ بندی کرتا ہے، اور عام فہم و مبہم قدرتی زبان کو شاٹ کے دورانیے، منظر کے مقام، موجود کرداروں، حرکات و تاثرات، شاٹ کے سائز اور ساخت، کیمرہ حرکت و فوکل لینتھ، مکالموں اور پس منظر کی آواز جیسے پیشہ ورانہ شعبوں میں تبدیل کرتا ہے۔ تفہیم جتنی گہری ہوگی، منصوبہ بندی اتنی ہی مستحکم ہوگی؛ اور منصوبہ بندی جتنی مستحکم ہوگی، بعد کی مشترکہ تخلیق کے دوران انحراف کا امکان اتنا ہی کم ہوگا۔ اس طرح ابتدا ہی سے ارادے کی نامکمل تفہیم، شاٹس کے بے ربط ہونے اور کرداروں کے غیر مستقل رہنے سے بچا جاتا ہے۔
طبعی اصولوں پر مبنی اندرونی تخلیقی منطق: اشیا کششِ ثقل کے تحت کیسے گرتی ہیں، تصادم پر کیسے ردِعمل ظاہر کرتی ہیں، جڑت کیسے برقرار رہتی ہے، روشنی اور سائے کیسے مدھم ہوتے ہیں، اور خلا کا تسلسل کیسے قائم رہتا ہے۔
منصوبہ بندی—تخلیق—ہم آہنگی کا تین مرحلوں پر مشتمل تخلیقی عمل: زی شیانگ نے پہلے منصوبہ بندی، پھر مشترکہ تخلیق، اور آخر میں کثیرالوسائط Reward کے ذریعے ہم آہنگی پر مبنی تکنیکی تصور پیش کیا ہے۔ ماڈل پہلے عالمی سطح پر کہانی اور کرداروں کی حالت کی منصوبہ بندی کرتا ہے، پھر مشترکہ تخلیق کے دوران منظر، حرکات اور معنوی مفہوم کو محدود کرتا ہے، اور کثیرالوسائط انعامی اشاروں کے ذریعے تصویر کے معیار، تسلسل اور طبعی معقولیت کو یکجا طور پر ہم آہنگ کرتا ہے، تاکہ طویل شاٹس میں کرداروں، جذبات اور محرکات کے باہمی اثر کے باوجود مجموعی ہم آہنگی برقرار رہے۔

دستیابی کی تصدیق کریں: فی الحال یہ ماڈل اندرونی آزمائشی مرحلے میں ہے، ابھی مکمل طور پر عوام کے لیے جاری نہیں کیا گیا۔ پہلے تجربے کی اہلیت کے لیے درخواست دینا ضروری ہےhttps://n1y46cmwsp.feishu.cn/share/base/form/shrcnVBeO99NQQWARxNirglcbct۔
درخواست فارم پُر کرنے کے لیے اسکین کریں: کیو آر کوڈ کو دبا کر اسکین کریں اور درخواست فارم کے صفحے پر جائیں۔
درخواست کی معلومات جمع کرائیں: فارم کی ہدایات کے مطابق اپنی ذاتی یا کاروباری معلومات اور استعمال کی ضروریات پُر کریں، پھر جمع کرانے کے بعد سرکاری جائزے کا انتظار کریں۔
فعال ہونے کی اطلاع کا انتظار کریں: جائزہ منظور ہونے کے بعد آپ کو اندرونی آزمائشی تجربے کی اہلیت حاصل ہو جائے گی۔
ماڈل کی صلاحیتوں کا تجربہ کریں: اہلیت حاصل کرنے کے بعد، سرکاری طور پر فراہم کردہ پورٹل کے ذریعے متن، تصاویر یا ویڈیوز درج کریں اور ایک کلک سے 5–20 سیکنڈ کی 1080p ویڈیو تیار کریں جس میں تصویر اور آواز یکجا ہوں۔

مقامی کثیر الوسائطی ساخت: صنعت کا پہلا ویڈیو ماڈل جو متن، ویڈیو اور آڈیو سگنلز کی مشترکہ ماڈلنگ کرتا ہے، اور تصویر و آواز کو فطری طور پر یکجا کرکے تخلیق کرتا ہے۔
طبعی اصولوں پر مبنی تخلیق: کششِ ثقل، تصادم، جڑت، روشنی اور سائے کا زوال، مکانی تسلسل اور دیگر طبعی اصولوں کو ماڈل حقیقی طور پر سمجھ کر تخلیقی منطق میں شامل کرتا ہے۔ اس کے نتیجے میں منظر کی تبدیلی، حرکات کا ردِعمل اور صوتی اثرات حقیقی علّی و معلولی تعلقات سے ہم آہنگ رہتے ہیں۔
گہری نیت فہمی: پیشگی کثیر الوسائطی نیت فہمی ماڈیول بول چال کی زبان اور منتشر صارف ان پٹس کو شاٹ کے دورانیے، منظر کی ساخت، کیمرہ موومنٹ، حرکات و تاثرات، مکالموں اور صوتی اثرات جیسے پیشہ ورانہ منصوبے میں منظم کرتا ہے، تاکہ ابتدا ہی سے نیت کی غلط تشریح اور مناظر کے غیر مربوط ہونے سے بچا جا سکے۔
دورانیہ کہانی کے تابع: ”مقررہ دورانیے کی کھڑکی میں مواد بھرنے“ کی روایتی منطق کو توڑتے ہوئے، ماڈل واقعات کی پیش رفت اور بیانیہ تال کے مطابق دورانیے کی خودکار منصوبہ بندی کرتا ہے، تاکہ حرکت مکمل ہونے کے بعد بے مقصد انتظار یا وقت پورا کرنے کے لیے سست روی سے بچا جا سکے۔
بیانیہ تسلسل اور کرداروں کا یکساں پن: پہلے منصوبہ بندی، پھر مشترکہ تخلیق، اور اس کے بعد کثیر الوسائطی Reward کے ذریعے اصلاح کا تکنیکی طریقہ اپنایا گیا ہے۔ Diffusion RL اور انسانی ادراک سے ہم آہنگ Reward ماڈل کے ساتھ مل کر یہ مسلسل مناظر میں کرداروں، جذبات اور محرکات کی ہم آہنگی اور استحکام کو یقینی بناتا ہے۔

اشتہارات اور مارکیٹنگ کی مختصر ویڈیوز: آواز اور تصویر سمیت براہِ راست 1080p مصنوعات کی ویڈیوز تیار کریں، بعد ازاں وائس اوور کی لاگت سے بچیں، جبکہ طبیعی طور پر حقیقت پسندانہ مٹیریل رینڈرنگ اعلیٰ معیار کی مصنوعات کی نمائش کے لیے موزوں ہے۔
مختصر ویڈیوز/سوشل میڈیا کے لیے مواد کی تخلیق: 5–20 سیکنڈ کی موافق دورانیے والی ویڈیوز مختصر ویڈیوز کی رفتار سے فطری طور پر ہم آہنگ ہیں؛ عام بول چال کے پرامپٹس سے صوتی اثرات اور ہونٹوں کی ہم آہنگی والی مکمل ویڈیوز تیار کی جا سکتی ہیں۔
فلم اور ٹی وی کی پیشگی منصوبہ بندی اور اسٹوری بورڈنگ (Previs): شاٹس، منظر کے پیمانے، کیمرا موومنٹ اور صوتی اثرات کی منظم منصوبہ بندی کریں، تاکہ ہدایت کار شوٹنگ سے پہلے بیانیہ رفتار اور مناظر کے قابلِ عمل ہونے کی فوری جانچ کر سکے۔
ای کامرس مصنوعات کی متحرک نمائش: صرف مصنوعات کی تصویر فراہم کر کے استعمال کے منظرنامے پر مبنی ویڈیو تیار کریں؛ اشیا کی طبعی حرکت حقیقت پسندانہ ہوتی ہے، جبکہ ہم آہنگ صوتی اثرات تبادلوں کی شرح بہتر بناتے ہیں۔
تعلیمی اور سائنسی آگاہی کا مواد: منتشر معلوماتی نکات کو طبعی اصولوں کے مطابق درست متحرک مظاہروں میں تبدیل کریں، جبکہ آواز اور تصویر کی ہم آہنگی سمجھنے کی رکاوٹ کم کرتی ہے۔