UlazAI – AI kép- és videóeszközök
A Veo 3 működése lépésről lépésre
A Google Veo 3 működése: a nyilvános áramlás, vezérlők és korlátozások
A nyilvános Gemini API dokumentumok egy aszinkron videógenerálási folyamatot írnak le, nem teljesen publikált belső architektúra. Elküld egy prompt-t, opcionálisan képeket vagy kereteket ad hozzá, lekérdezi a műveletet, amíg az be nem fejeződik, és tölts le egy 8 másodperces 720p, 1080p vagy 4k videó natív hanggal. Még nem biztos benne, hogy melyik útvonalat választotta? Lásd hogyan érhető el a Veo 3.
Gyors válasz
A jelenlegi nyilvános dokumentumok megerősítik a generációs folyamat és vezérlések: prompt bemenet, aszinkron feladatlekérdezés, 8 másodperces kimenet, natív hang, portré támogatás, videobővítmény, keretspecifikus generáció, és legfeljebb három referencia kép. Megteszik nem tegye közzé a teljes belső modell diagramot, a képzési csővezetéket vagy a transzformátorköteg részletes magyarázatát a API dokumentumokban.
Először a nyilvános forrásra van szüksége? Használja a hivatalos Gemini API videódokumentumokat.
Veo 3 útmutatók
Válassza ki a szükséges Veo útmutatót
Gyakorlati segítséget talál a hozzáféréssel, a videó hosszával, a prompt-kkel, az árakkal, a API beállításával és a Veo működésével kapcsolatban.
Generációs forma
8 másodperc
A jelenlegi nyilvános Veo 3.1 dokumentumok nagy felbontású, 8 másodperces generációt írnak le.
Kimeneti módok
720p, 1080p, 4k
A nyilvános dokumentumok listája 720p, 1080p és 4k kimeneti támogatás, natív hanggenerálással.
Vezérlőréteg
Legfeljebb 3 kép
A nyilvános képalapú irányítás legfeljebb három referenciaképet támogat, valamint az első/utolsó képkocka munkafolyamatait.
Munkamodell
Aszinkron lekérdezés
Elküld egy generálási kérelmet, lekérdezi a műveletet, és letölti a generált fájlt, amikor az készen áll.
Nyilvános generációs áramlás
Ez az a része, „hogyan működik a Veo 3”, amit a nyilvános dokumentumok valójában mutatnak.
1. lépés
Írja be a prompt és az opcionális vezérlőket
Kezdje szöveges prompttal, majd opcionálisan adjon hozzá referenciaképeket, első/utolsó képkockákat, álló tájolást vagy kiterjesztési beállításokat a munkafolyamattól függően.
2. lépés
Nyújtson be egy régóta fennálló generálási kérelmet
A hivatalos példák aszinkron videogeneráló hívásokat használnak. A generáció nem tér vissza azonnal kész soron belüli válaszként.
3. lépés
Kérdezze le a műveletet, amíg el nem készül
A nyilvános kódminták ismételten ellenőrzik a működés állapotát. Ez a dokumentált folyamat a kész videóra való várakozáshoz.
4. lépés
Töltse le a generált fájlt
A feladat befejezése után a példák letöltik az eredményül kapott videofájlt, ahelyett, hogy a választ szinkron végső eszközként kezelnék.
Amit a nyilvános dokumentumok megerősítenek, és mit nem
| Téma | Nyilvánosan megerősítve | Nyilvánosan nem dokumentálták részletesen |
|---|---|---|
| Generációs áramlás | Prompt in, hosszan tartó működés, szavazás állapota, letöltési kimenet. | Belső ütemező tervezés, fürt hangszerelés vagy pontos kiszolgálási verem. |
| Képességek | 8 másodperces videó, natív hang, portré mód, kiterjesztés, képkocka-specifikus generálás, legfeljebb három referenciakép. | Annak teljes belső bontása, hogy mely almodellek kezelik a hangot, a mozgást vagy a képkezelést. |
| Modell belső | A Google a Veo-t nyilvánosan a legmodernebb videógenerációs modellként írja le. | A transzformátor teljes topológiája, súlyelrendezése, képzési korpusz és pontos csővezeték-belsők. |
| Prompt vezérlés | A Prompting, a referenciaképek, az első/utolsó képkockák és a kiterjesztés nyilvánosan leírt vezérlőrétegek. | Teljes nyilvános specifikáció minden látens vezérlő vagy mozgástervező alrendszerhez. |
Mit jelent a gyakorlatban a „hogyan működik”.
Gyakorlati jel 1
A natív hang első osztályú
A nyilvános dokumentumok a Veo 3.1 videomodellt natívan generált hanggal rögzítik, nem pedig néma klipgenerátorként, amelyhez mindig külön hangút kell.
Gyakorlati jel 2
A referenciaképek alakítják az eredményt
Legfeljebb három referenciakép, valamint az első és az utolsó képkocka vezérlése azt mutatja, hogy a Veo nem csak prompt csak szöveg-videó a jelenlegi nyilvános munkafolyamatban.
Gyakorlati jel 3
A bővítmény be van építve a munkafolyamatba
A videóbővítés azt jelenti, hogy a generálási folyamat egy korábbi kimenetet folytathat ahelyett, hogy minden alkalommal nulláról kezdené.
Gyakorlati jel 4
A vezérlőelemek többet számítanak, mint a modell belső elemei
A használható eredmény érdekében összpontosítson a promptra, a referenciaképre, a képarányra, az időtartamra és a hangbeállításokra. A Google nem tesz közzé minden belső megvalósítási részletet.
Hozzon létre egy klipet, vagy nyissa meg a szükséges útmutatót
Használja a API dokumentumokat az integrációhoz, a prompt útmutatót a jobb felvételek leírásához, az árakat a költségbecsléshez vagy a hozzáférési útmutatót fiók létrehozásához.