Veo: el potente modelo generativo de vídeo de Google 170

Google Veo es el modelo de generación de vídeo más potente que hemos creado hasta la fecha. Puede generar vídeos de alta calidad con resolución 1080p de más de un minuto, con una amplia variedad de estilos cinematográficos y visuales.

Capta con precisión los matices y el tono de las indicaciones, y ofrece un nivel de control creativo sin precedentes: comprende indicaciones para diversos efectos cinematográficos, como timelapses o tomas aéreas de paisajes.

Nuestro modelo de generación de vídeo contribuirá a crear herramientas que hagan accesible la producción de vídeo a todo el mundo. Tanto si es un cineasta con experiencia, un creador emergente o un educador que desea compartir conocimientos, Google Veo abre nuevas posibilidades para contar historias, enseñar y mucho más.

En las próximas semanas, algunas de estas funciones estarán disponibles para una selección de creadores a través de la nueva herramienta experimental VideoFX en Labs.google. Puede unirse a la lista de espera ahora mismo.

En el futuro, también llevaremos algunas de las funciones de Google Veo a YouTube Shorts y a otros productos.

Características de Google Veo:

Mejor comprensión del lenguaje y lo visual:

Para generar escenas coherentes, los modelos de generación de vídeo necesitan interpretar con precisión las indicaciones de texto y combinar esa información con referencias visuales relevantes.

Gracias a su profunda comprensión del lenguaje natural y la semántica visual, Google Veo genera vídeos que siguen de cerca las indicaciones. Captura con precisión los matices y el tono de las frases, y呈现 detalles intrincados en escenas complejas.

Control cinematográfico:

Cuando se le proporcionan un vídeo de entrada y un comando de edición al mismo tiempo, por ejemplo, añadir un kayak a una toma aérea de una costa, Google Veo puede aplicar ese comando al vídeo inicial y crear un nuevo vídeo editado.

Además, admite la edición con máscara: al añadir regiones enmascaradas al vídeo y a la indicación de texto, es posible modificar áreas concretas del vídeo.

Google Veo también puede generar un vídeo que toma una imagen como entrada junto con una indicación de texto. Al proporcionar una imagen de referencia combinada con una indicación de texto, se consigue que Google Veo genere un vídeo que sigue el estilo de la imagen y las instrucciones del usuario.

El modelo también es capaz de crear clips de vídeo y ampliarlos hasta 60 segundos o más. Puede hacerlo con una única indicación o mediante una serie de indicaciones que, en conjunto, cuentan una historia.

Coherencia entre fotogramas de vídeo

Mantener la coherencia visual es un reto para los modelos de generación de vídeo. Los personajes, los objetos e incluso escenas enteras pueden parpadear, saltar o deformarse de forma inesperada entre fotogramas, lo que arruina la experiencia de visualización.

El vanguardista transformador de difusión latente de Google Veo reduce la aparición de estas incoherencias, manteniendo los personajes, los objetos y el estilo en su sitio, como en la vida real.

Basado en años de investigación en generación de vídeo

Google Veo se apoya en años de trabajo en modelos generativos de vídeo, entre los que se incluyen la Generative Query Network (GQN), DVD-GAN, Imagen-Video, Phenaki, WALT, VideoPoet y Lumiere, así como nuestra arquitectura Transformer y Gemini.

Para ayudar a Google Veo a comprender y seguir las indicaciones con mayor precisión, también hemos añadido información más detallada a los subtítulos de cada vídeo en los datos de entrenamiento. Para mejorar aún más el rendimiento, el modelo utiliza una representación de vídeo comprimida de alta calidad (también conocida como imágenes latentes), por lo que resulta más eficiente. Estos pasos mejoran la calidad general y reducen el tiempo necesario para generar vídeos.