Gemini Omni 1.1 Flash：シーン延長、4Kアップスケーリングなど、プロ向け生成動画機能をAPIで提供

Google社員向けのプロンプトエンジニアリングのコツ：ただ「P.S. そのページがFirefoxでも動くようにしてください」と付け加えるだけ。

OpenAIがSoraを完全に放棄したのに、Googleが自社の動画生成に多額の投資を続けているのは興味深い。おそらく彼らは動画生成を「世界モデル」の開発の鍵だと考えているからかもしれない？

前回のOmniリリースで少し興奮したけど、結局これも（今回のも）私が望む実用的なことの一つ、つまり生成した動画を既存のオーディオに同期させること、ができないことがわかった。一方で、私は12GBのRTX 4070でMinimax H3をローカルに使って、20年前に放棄したFlashアニメの趣味プロジェクトの録音したダイアログへのリップシンクをようやく完了させて、満足している。

GoogleはGemini Proの新バージョンをリリースすること以外は何でもやるね。

360pで動画の下書きをより効率的に作成。素晴らしいように聞こえるけど、同じプロンプトを標準解像度で実行すると、非決定的なため異なる結果になり、すぐに失望する。

つまり、Seedanceが優れているのは主にTikTokのおかげで、これはYouTubeのおかげだ。録画された動画のうち、どれだけの割合が人々の自宅のハードドライブやAppleの写真に私的に保存されているのだろうか。もちろんデータのラベリングやクリーニングはあるが、次の進化は単にアクセスの問題なのだろうか？LLMについても同じことが言える。人々は自分のデータを売る気になるだろうか？自分を時代遅れにするためのめちゃくちゃな方法だ。それともスケーリングには限界があるのか？

確かにデモは簡単だけど、実用的な応用にはいつも苦労する。つまり、これから実際にどんな仕事や楽しみが得られるのか？広告やメディアのプリプロダクションはもっともらしいが、他のほとんどのAIツールとは違って、「これが人生をどう豊かにするか」という点で失敗している。もしかしたら彼らにとっては、それが考慮事項ではないのかもしれない。彼らの関心が、広告やスラップの氾濫から生じるかもしれない「豊かにする」という別の意味だけならば。なぜ私たちは芸術を見たり、ビデオや映画を見たりするのか？それはテキスト、他の既存メディア、そして毎秒3〜30セントの計算コストの関数として再現可能なのか？私はこれらのことについてかなり機能主義的で、ある時点で違いを見分けることができなくなるかもしれない。しかしそれまでは、その時点で「作者の死」と言うかもしれないが、それはカテゴリーミスのように思える。私はビデオや画像生成モデルを使って作品を制作するアーティストと仕事をしているが、彼らが関心を持っているのは、より速い反復と多くの中間ステップの制御（彼らのグラフはかなり迷路的になることがある）だと思う。