HiDream-O1-Video-1.0 Faoliyat yuritmoqda

HiDream-O1-Video-1.0 (qisqacha HD-V1) — Zhixiang Future (HiDream.ai) tomonidan ishlab chiqilgan, barcha modalliklarni tabiiy qo‘llab-quvvatlovchi video yaratish modeli. U matn, rasm, video kabi multimodal kiritishlarni qo‘llab-quvvatlaydi va bir marta bosish orqali 5–20 soniyalik 1080p videolarni yaratadi. Model fizik qonuniyatlarga asoslangan generatsiya hamda audio va tasvirning tabiiy integratsiyasini ta’minlaydi. U Artificial Analysis tasvirdan video yaratish reytingida (With Audio) dunyo bo‘yicha to‘rtinchi, Arena.ai ko‘r-ko‘rona test reytingida esa sakkizinchi o‘rinni egallab, Xitoy AI videolari global yetakchi guruhga kirganini ko‘rsatdi.

Multimodal kiritish: matn, rasm, video kabi turli modalliklardan generatsiya sharti sifatida foydalanishni qo‘llab-quvvatlaydi.
Yuqori aniqlikdagi videoni bevosita yaratish: bir marta bosish orqali 5–20 soniyalik 1080p yuqori sifatli video yaratadi.
Ma’no va niyatni tushunish: multimodal tushunish moduli og‘zaki kiritmalarni kadrlar, qahramonlar, harakatlar, tovush effektlari kabi professional reja shaklida tizimlashtiradi.
Fizika qonunlari asosida generatsiya: tortishish, to‘qnashuv, inersiya kabi fizik qonunlar generatsiya mantiqiga kiritilgan bo‘lib, tasvirdagi deformatsiya va harakatlar haqiqiy dunyoga mos keladi.
Videoning davomiyligini aqlli rejalashtirish: mexanik tarzda belgilangan vaqt oralig‘ini to‘ldirish o‘rniga, voqealar mantiqi va hikoya sur’atiga ko‘ra video davomiyligini avtomatik belgilaydi.
Tasvir va ovozning yaxlitligi: matn, video va audio signallarini birgalikda modellashtirib, lab harakati, tovush effektlari va tasvirning tabiiy sinxronligini ta’minlaydi.
Hikoya va qahramonlar izchilligi: avval rejalashtirish, so‘ng birgalikda generatsiya qilish, keyin Reward bilan moslashtirish jarayonidan foydalanib, uzun kadrli hikoyaning izchilligini va qahramonlarning o‘zgarib ketmasligini ta’minlaydi.

Tabiiy multimodal yagona arxitektura: HD-V1 Zhixiang tomonidan mustaqil ishlab chiqilgan tabiiy multimodal arxitekturadan foydalanadi. Arxitektura loyihalash bosqichidanoq matn, video va audioni yagona ifodalashga yo‘naltirilgan bo‘lib, uchtalasi bir xil generatsiya jarayonida birgalikda modellashtiriladi, o‘zaro cheklanadi va muvofiqlashtiriladi. Kadrlar harakati ovoz ritmini boshqaradi, dialog va ovoz effektlari esa kadrlar emotsiyasini boyitadi, matn sharti esa butun jarayon davomida saqlanadi.
Oldindan multimodal niyatni anglash moduli: Model avval multimodal tushunish modeli yordamida foydalanuvchi kiritgan ma’lumotni chuqur anglaydi va tuzilmaviy rejalashtiradi. Og‘zaki va noaniq tabiiy til kadr davomiyligi, sahna joyi, ishtirok etuvchi qahramonlar, harakat va mimika, plan va kompozitsiya, kamera harakati va fokus masofasi, dialog hamda fon tovushi kabi professional maydonlarga aylantiriladi. Anglash qanchalik chuqur bo‘lsa, rejalashtirish shunchalik barqaror bo‘ladi; rejalashtirish qanchalik barqaror bo‘lsa, keyingi birgalikdagi generatsiya shunchalik kam og‘ishadi. Shu tariqa niyatning to‘liq anglanmasligi, kadrlar o‘rtasidagi uzilishlar va qahramonlarning o‘zgarib ketishining oldi boshidanoq olinadi.
Fizik qonuniyatlar ichki singdirilgan generatsiya mantig‘i: jismlar tortishish ta’sirida qanday tushishi, to‘qnashuvga qanday javob berishi, inersiyaning qanday davom etishi, yorug‘lik va soyaning qanday so‘nishi hamda makonning uzluksizligi qanday saqlanishi hisobga olinadi.
Rejalashtirish — generatsiya — muvofiqlashtirishdan iborat uch bosqichli jarayon: Zhixiang avval rejalashtirish, keyin birgalikda generatsiya qilish va so‘ng multimodal Reward orqali muvofiqlashtirish g‘oyasini ilgari suradi. Model dastlab global darajada hikoya va qahramonlar holatini rejalashtiradi, birgalikdagi generatsiya jarayonida tasvir, harakat va semantikani cheklaydi, multimodal mukofot signallari yordamida tasvir sifati, izchillik va fizik mantiqni yagona tizimda muvofiqlashtiradi. Bu uzun kadrlarda qahramonlar, emotsiyalar va motivlar bir-biriga ta’sir qilgan holda umumiy uyg‘unlikni ta’minlaydi.

Ochiqlik holatini tekshiring: hozirda model ichki sinov bosqichida va hali to‘liq ommaga taqdim etilmagan. Erta foydalanish huquqini olish uchun ariza topshirish kerakhttps://n1y46cmwsp.feishu.cn/share/base/form/shrcnVBeO99NQQWARxNirglcbct。
QR-kodni skanerlab, ariza shaklini to‘ldiring: QR-kodni bosib turing va skanerlang, so‘ng ariza shakli sahifasiga kiring.
Ariza ma’lumotlarini yuboring: shakl talablariga muvofiq shaxsiy yoki korporativ ma’lumotlar hamda foydalanish ehtiyojlarini kiriting va yuborgach, rasmiy tekshiruvni kuting.
Faollashtirish xabarnomasini kuting: tekshiruvdan o‘tgach, ichki sinovda foydalanish huquqiga ega bo‘lasiz.
Model imkoniyatlarini sinab ko‘ring: huquqni olgach, rasmiy taqdim etilgan kirish nuqtasi orqali matn, rasm yoki videoni kiritib, bir tugma bilan 5–20 soniyalik 1080p formatdagi tasvir va ovoz birlashtirilgan video yarating.

Native multimodal arxitektura: soha­dagi matn, video va audio signallarini birgalikda modellashtiradigan ilk video modeli bo‘lib, tasvir va ovozni tabiiy tarzda birgalikda yaratadi.
Fizik qonuniyatlarga yo‘naltirilgan generatsiya: tortishish kuchi, to‘qnashuv, inertsiya, yorug‘lik va soya intensivligining pasayishi, makoniy uzluksizlik kabi fizik qonuniyatlar model tomonidan haqiqatan ham anglanib, generatsiya mantiqiga kiritiladi. Kadr deformatsiyasi, harakat reaksiyasi va sinxron ovoz effektlari real sabab-oqibat munosabatlariga mos keladi.
Chuqur niyatni anglash: multimodal niyatni anglash moduli og‘zaki va parcha-parcha foydalanuvchi kiritmalarini kadr davomiyligi, plan turi va kompozitsiyasi, kamera harakati, harakatlar va mimika, dialog hamda ovoz effektlari kabi professional rejaga tizimlashtiradi. Shu orqali niyatning to‘liq anglanmasligi va kadrlar o‘rtasidagi uzilishlarning oldi olinadi.
Davomiylik hikoya talabiga bo‘ysunadi: “belgilangan davomiylik oynasini mazmun bilan to‘ldirish” an’anaviy mantiqidan voz kechib, model voqealar rivoji va hikoya ritmiga asoslanib davomiylikni mustaqil rejalashtiradi. Bu harakat tugagandan keyingi ma’nosiz kutish yoki vaqtni to‘ldirish uchun sekinlashtirishning oldini oladi.
Hikoya izchilligi va qahramonlar barqarorligi: avval rejalashtirish, keyin birgalikda generatsiya qilish, so‘ng multimodal Reward orqali baholash texnik yo‘li qo‘llanadi. Diffusion RL va inson idrokiga moslashtirilgan Reward modeli bilan birgalikda uzluksiz kadrlar davomida qahramonlar, his-tuyg‘ular va motivlarning o‘zaro uyg‘unligi hamda barqarorligi ta’minlanadi.

Reklama va marketing roliklari: audio va videoni birlashtirgan holda 1080p mahsulot videolarini to‘g‘ridan-to‘g‘ri yaratish, keyingi bosqichdagi ovoz yozish xarajatlarini tejash; fizik jihatdan real material tasviri yuqori sifatli mahsulot namoyishlariga mos keladi.
Qisqa videolar va ijtimoiy tarmoqlar uchun kontent yaratish: 5–20 soniyalik moslashuvchan davomiylik qisqa video ritmiga tabiiy mos keladi, og‘zaki uslubdagi prompt orqali ovoz effektlari va lablar sinxronizatsiyasiga ega tayyor video yaratish mumkin.
Kino va televideniye uchun oldindan ko‘rish hamda kadrlar rejasini tuzish (Previs): kadrlar, planlar, kamera harakati va ovoz effektlarini tizimli rejalashtirib, rejissyorlarga suratga olishdan oldin hikoya ritmi va tasvirning amalga oshirilish imkoniyatini tezda tekshirishga yordam beradi.
E-tijorat mahsulotlarini dinamik namoyish qilish: mahsulot rasmini kiritish orqali undan foydalanish ssenariysidagi videoni yaratish, buyumlarning fizik harakatini real aks ettirish va sinxron foley effektlari orqali konversiya darajasini oshirish.
Ta’lim va ommabop ilmiy kontent: tarqoq bilimlarni fizik qonunlarga aniq mos keladigan dinamik namoyishlarga aylantirish, audio va video sinxronizatsiyasi orqali tushunish chegarasini pasaytirish.