Veo 3.1 vagy Runway Gen-4.5: a valósághűség egyiknél sem garancia

A Veo 3.1 és a Runway Gen-4.5 valósághű mozgására nincs garancia: a CaliBench vizsgálata mindkét modellnél jelentős eltéréseket talált a fizikai kimenetek eloszlásában. Hangot és képet együtt létrehozó jelenethez a Veo lehet célszerűbb; meghatározott utómunkaformátumhoz a Gen-4.5 kínál erősebb választási érvet.

A két modell közül ezért nem egyetlen látványos bemutatóvideó alapján érdemes választani. A prompt követése, a beszéd és a képi esemény összhangja, a vágónak átadott fájl és az eldobott változatok ára külön kérdés. Egy reklámklipnél más tulajdonság dönthet, mint egy hangos jelenetnél vagy egy színkorrekcióra váró sorozatnál.

Mit mondanak a minőségi állítások?

A Google DeepMind Veo-oldalán közölt saját emberi értékelések kedvező eredményeket mutatnak a Veo 3.1 promptkövetésében, a hang és kép szinkronjában, valamint a vizuálisan hihető fizikában. Ezek a nézői preferenciát mérik a bemutatott feladatokon. Hasznos jelzések a várható látványról, de nem ígérik, hogy minden mozgás helyes lesz, vagy hogy ugyanaz a jelenet sok generálás után is a valóságnak megfelelő kimeneteket adja.

A Veo a képpel együtt párbeszédet, környezeti hangot és hangeffektet is előállíthat. Ez akkor jelent munkafolyamatbeli előnyt, ha például egy szereplő megszólalása és a jelenet történése egyetlen generálásban készülne el. A rövid beszéd természetessége és következetessége azonban továbbra is gyenge pont lehet, ezért a hangot a kiválasztott klip egészében kell megítélni, nem pusztán abból, hogy a szolgáltatás képes hangot létrehozni.

A Runway Gen-4.5 útmutatója szövegből és képből indított videót, 2–10 másodperces klipeket, valamint összetett, egymást követő képi utasítások kezelését írja le. A gondosan megadott cselekvéssor és kameramozgás tehát a modellnek szánt feladat része lehet. Ez gyártói képességleírás, nem közös teszt, amely ugyanazon promptokon a Veo fölé vagy alá helyezné a Gen-4.5-öt.

Miért nem elég a hihető mozgás?

Egy kockadobásról készült videó önmagában meggyőző lehet akkor is, ha azonos kezdőképből újra és újra ugyanaz az oldal kerül felülre. A fizikai kalibráció azt vizsgálja, hogy az ismételt generálások végkimenetelei együtt követik-e a valós esemény ismert valószínűségeit. Más kérdést tesz fel, mint a látványra vagy a prompttal való egyezésre adott emberi pontszám.

A vizsgálatban a modellek ugyanabból a kezdőképből és szöveges utasításból készítettek változatokat. A kocka mellett például a Galton-táblán leérkező golyó rekeszét és a rulettgolyó végállását is értékelték. A kockadobásnál a Veo kimenetei egyetlen eredményre szűkültek; más jelenetekben a hibák másként jelentkeztek, és egyik modell sem volt minden feladatban a legjobb.

Az értékelés két külön problémát választ szét. Az egyik, hogy a videóból egyáltalán megállapítható-e a végkimenetel: egy deformálódó tárgy vagy meg nem álló golyó ezt megakadályozhatja. A másik, hogy az egyértelmű kimenetelek milyen arányban fordulnak elő. A jelenetenkénti minták elsősorban nagy eltérések kimutatására alkalmasak, így az eredmény nem általános rangsor a reklámfilmes képminőségről. Arra viszont jó figyelmeztetés, hogy a szemre élethű képsor és a megbízható fizikai viselkedés eltérhet egymástól.

Hol számít igazán a kimeneti formátum?

A Runway Dev kimeneti leírása szerint a Gen-4.5 az alapértelmezett H.264 MP4 mellett ProRes fájlt, PNG-képsorozatot, 10 bites Rec.709 SDR-t és HDR-formátumokat is kínál. Ez kézzelfogható előny, ha a vágó, a színkezelési folyamat vagy az átadási előírás valamelyiket kéri. Az itt felsorolt professzionális lehetőségek a Runway Dev munkafolyamatára vonatkoznak; a webes előfizetés feltételeit külön kell kezelni.

A ProRes és a képsorozat eltérő feldolgozási utat nyit: az előbbi vágófájl lehet, az utóbbi képkockánkénti munkát tesz lehetővé. A nagyobb bitmélység a finomabb színmunkánál, a HDR pedig megfelelő megjelenítési vagy átadási követelménynél lényeges. Egy közösségi felületre szánt rövid klipnél ezekért nem feltétlenül érdemes többet fizetni; előírt professzionális átadásnál viszont a formátum a választás feltétele lehet.

A Veo alkotói kontrollja más ponton erős: referencia-képek, kezdő és záró képkocka, valamint a jelenet továbbvitele segíthet egymáshoz illő képsorokat létrehozni. A továbbvitt jelenet akkor értékes, ha a képi és hangi folytonosság maga a feladat. A kész videó vágófájlja és a jelenet folytathatósága külön igény, ezért hosszabb munkánál érdemes tisztázni, melyik okozza a nagyobb nehézséget.

Mennyibe kerül a használható változat?

A Runway Dev API-díjszabása a Gen-4.5 generálását másodpercenként 12 kreditben, a Veo 3.1 hang nélküli változatát 20, hangos változatát 40 kreditben adja meg; a ProRes és a PNG-képsorozat további 5, a felsorolt 10 bites és HDR-formátumok általában további 20 kreditbe kerülnek másodpercenként. Ezek egyetlen fejlesztői felület egymással összevethető díjai. Nem szabad őket automatikusan a webes csomagok havi árával vagy hozzáférési feltételeivel azonosítani.

Egy feltételezett nyolcmásodperces klip alapgenerálása ezen az API-n Gen-4.5-tel 96 kredit, hangos Veóval 320 kredit lenne. Ha ugyanazt a jelenetet háromszor teljesen újra kell készíteni, az alapgenerálás költsége is háromszoros; a külön választott kimeneti formátum felára ezen felül jelentkezik. A számítás nem jósolja meg, hány próbálkozásból születik használható klip. Azt mutatja meg, miért számít a másodpercár mellett a javítások száma és az, hogy a hangot külön kell-e elkészíteni.

Melyik feladathoz melyik illik?

• Rövid, elsősorban képi reklámklip: Ha a jelenetet utóbb vágják és színkorrekciózzák, a Gen-4.5 dokumentált formátumai és alacsonyabb API-alapdíja erős érvek. A konkrét klip mozgási és tárgyi hibáit ettől még külön kell megítélni.
• Beszélő vagy hangeffektusra épülő jelenet: A Veo natív hanggenerálása egyszerűbb kiindulás lehet, amikor a hang és a képi esemény együtt alakul. A beszéd érthetősége, a szinkron és a végső hangkeverés a kész változaton dől el.
• Hosszabb, összefüggő jelenetsor: A Veo jelenetfolytatása a folytonosság miatt lehet értékes. Ha a végeredmény sok külön rövid klipből áll össze a vágóban, a Gen-4.5 átadási formátumai válhatnak fontosabbá.
• Előírt professzionális utómunka: ProRes, képsorozat, 10 bites SDR vagy HDR igénynél a Gen-4.5 dokumentált Runway Dev-kimenete konkrét választási alap. Ilyenkor a formátum felárát a várható újragenerálásokkal együtt érdemes számolni.

Olvassa el ezt is:

• Ollama vagy LM Studio: ugyanaz a modell, mégis más munkafolyamat
• Barion vagy SimplePay: a kosárérték a hirdetett díjnál fontosabb
• Trello vagy ClickUp: a 2 dolláros különbségnél fontosabb a bevezetés