A mesterséges intelligencia (AI) videók új hullámát egy véletlen, ám annál izgalmasabb kísérlet indította el: egy Google Earth térképen rajzolt drónútvonalat adtak meg a Google Omni nevű multimodális videómodellnek, amely meglepően realisztikusan képes volt követni ezt a pályát egy generált videóban. A kísérlet futótűzként terjedt az interneten, rengeteg alkotó próbálta ki világszerte, újabb és újabb ötletekkel bővítve a felhasználási lehetőségeket. Felmerült, hogyan viszonyul egymáshoz az Omni és a Seedance — egy másik kiemelkedő AI videómodell —, és mik a leglátványosabb trükkök, amelyekkel a modellek megbirkóznak.
Az Omni rendkívül sokoldalú: fogad szöveget, képet, hangot és videót bemenetként, és ezekből videókat generálhat, vagy akár szerkesztheti is azokat. Összetett szerkesztési utasításokat is végrehajt, például képes elrejteni egy zavaró piros vonalat a videón, vagy akár embereket eltávolítani a jelenetből. A multimodális képességei révén a modell térben is „érti” a bemenetet, így például egy 3D-s kameramozgást is képes lekövetni egy valós helyszín rekonstrukciójában.
Az internet kreatív közösségét lenyűgözte, hogy ezek az AI modellek már nem csak közelítő, hanem egyre pontosabb, akár valós helyszínekhez szorosan illeszkedő videókat tudnak előállítani. A térképeken, városokon túl fantáziahelyszínek – például Középfölde – feldolgozása is megjelent. Ezek új lehetőségeket kínálnak történelmi vagy filmjelenetek rekonstruálásához, vizuális effektek készítéséhez, akár egyetlen rajz vagy szöveges instrukció alapján.
Kitérnek arra is, hogy az Omnihoz hasonló rendszerek már-már a vizuális effektek készítőit is helyettesíthetik, mivel bonyolult feladatokat – tömegjelenetek módosítása, tárgyak átalakítása vagy karaktercserék – is képesek végrehajtani egyszerű utasítások alapján. A fejlődés jelenlegi üteme azt vetíti előre, hogy a közeljövőben akár 2D videókból is valósághű 3D jelenetek generálhatók lesznek, és a valóság és fantázia közötti határok tovább mosódnak el a digitális kreativitásban.
