Google Veo 3.1 Gains Multi-Image Reference Support

Google Veo 3.1 Gains Multi-Image Reference Support

Google Veo 3.1 Gains Multi-Image Reference Support

Google has released a new update for its Veo 3.1 AI video generator model, which significantly enhances creative control by allowing users to upload multiple reference images alongside their video prompts. 

This feature, which is rolling out to both mobile and desktop users of the Gemini application and through the Gemini API, enables users to build more detailed and nuanced scenes. 

By providing up to three or four reference images, users can guide the generation process to maintain character consistency across multiple shots, apply a specific style (like color tone or lighting), or ensure that certain objects appear as intended throughout the video.

Key Features of Veo 3.1

The addition of multi-image referencing is part of a suite of advanced capabilities in Veo 3.1, which Google is positioning as its state-of-the-art model for generating high-fidelity videos. 

Other notable features and improvements in the Veo 3.1 and Veo 3.1 Fast models include:

 Native Audio Generation: 

The model excels at generating realistic, synchronized sound effects and dialogue that match the visual content of the video.

Enhanced Realism and Prompt Adherence:

 Veo 3.1 delivers improved visual quality, better representation of real-world physics, and is generally more accurate at adhering to the user's text prompts.

First and Last Frame Control: 

Users can define both the starting and ending images of a scene, allowing the model to generate a seamless, smooth, and directed transition between the two frames, complete with accompanying audio.

Scene Extension: 

The model allows users to generate new clips that connect visually to the end of a previous video, enabling the creation of longer, multi-shot sequences that can last for a minute or more.

Availability and Purpose

The Veo 3.1 model, available in paid preview through the Gemini API and accessible via the Gemini app and Flow editor, is designed to empower developers and creators to produce more engaging content. 

By providing more granular control over consistency and style, the update aims to help users get closer to their "true to your vision" videos on the first attempt, moving beyond simple text-to-video generation to complex creative direction.

Google Veo 3.1 को मल्टी-इमेज रेफरेंस सपोर्ट मिला

Google ने अपने Veo 3.1 AI वीडियो जनरेटर मॉडल के लिए एक नया अपडेट जारी किया है, जो उपयोगकर्ताओं को अपने वीडियो प्रॉम्प्ट के साथ कई रेफरेंस इमेज अपलोड करने की अनुमति देकर क्रिएटिव कंट्रोल को काफ़ी बेहतर बनाता है।

यह सुविधा, जो जेमिनी एप्लिकेशन के मोबाइल और डेस्कटॉप दोनों उपयोगकर्ताओं के लिए और जेमिनी API के माध्यम से उपलब्ध है, उपयोगकर्ताओं को अधिक विस्तृत और सूक्ष्म दृश्य बनाने में सक्षम बनाती है।

तीन या चार रेफरेंस इमेज प्रदान करके, उपयोगकर्ता कई शॉट्स में कैरेक्टर की एकरूपता बनाए रखने, एक विशिष्ट शैली (जैसे रंग टोन या लाइटिंग) लागू करने, या यह सुनिश्चित करने के लिए जनरेशन प्रक्रिया का मार्गदर्शन कर सकते हैं कि कुछ वस्तुएँ पूरे वीडियो में इच्छित रूप में दिखाई दें।

Veo 3.1 की मुख्य विशेषताएँ

मल्टी-इमेज रेफरेंसिंग को शामिल करना, Veo 3.1 में उन्नत क्षमताओं के एक समूह का हिस्सा है, जिसे Google उच्च-निष्ठा वीडियो बनाने के लिए अपने अत्याधुनिक मॉडल के रूप में स्थापित कर रहा है।

 Veo 3.1 और Veo 3.1 फ़ास्ट मॉडल में अन्य उल्लेखनीय विशेषताएँ और सुधार इस प्रकार हैं:

नेटिव ऑडियो जेनरेशन:

यह मॉडल वीडियो की दृश्य सामग्री से मेल खाने वाले यथार्थवादी, समकालिक ध्वनि प्रभाव और संवाद उत्पन्न करने में उत्कृष्ट है।

उन्नत यथार्थवाद और प्रॉम्प्ट अनुपालन:

Veo 3.1 बेहतर दृश्य गुणवत्ता, वास्तविक दुनिया के भौतिकी का बेहतर प्रतिनिधित्व प्रदान करता है, और आम तौर पर उपयोगकर्ता के टेक्स्ट प्रॉम्प्ट का अधिक सटीक रूप से पालन करता है।

पहला और अंतिम फ़्रेम नियंत्रण:

उपयोगकर्ता किसी दृश्य की आरंभिक और अंतिम दोनों छवियों को परिभाषित कर सकते हैं, जिससे मॉडल दो फ़्रेमों के बीच एक निर्बाध, सहज और निर्देशित संक्रमण उत्पन्न कर सकता है, साथ ही ऑडियो भी प्रदान कर सकता है।

दृश्य विस्तार:

यह मॉडल उपयोगकर्ताओं को नए क्लिप बनाने की अनुमति देता है जो पिछले वीडियो के अंत से दृश्य रूप से जुड़ते हैं, जिससे लंबे, मल्टी-शॉट अनुक्रम बनाना संभव होता है जो एक मिनट या उससे अधिक समय तक चल सकते हैं।

 उपलब्धता और उद्देश्य

Veo 3.1 मॉडल, जो जेमिनी एपीआई के माध्यम से सशुल्क पूर्वावलोकन में उपलब्ध है और जेमिनी ऐप और फ़्लो एडिटर के माध्यम से सुलभ है, डेवलपर्स और क्रिएटर्स को अधिक आकर्षक सामग्री बनाने में सक्षम बनाने के लिए डिज़ाइन किया गया है।

निरंतरता और शैली पर अधिक सूक्ष्म नियंत्रण प्रदान करके, इस अपडेट का उद्देश्य उपयोगकर्ताओं को पहले ही प्रयास में "आपके विज़न के अनुरूप" वीडियो बनाने में मदद करना है, जो सरल टेक्स्ट-टू-वीडियो निर्माण से आगे बढ़कर जटिल रचनात्मक निर्देशन की ओर ले जाता है।

Google Veo 3.1 మల్టీ-ఇమేజ్ రిఫరెన్స్ సపోర్ట్‌ను పొందుతోంది

Google దాని Veo 3.1 AI వీడియో జనరేటర్ మోడల్ కోసం ఒక కొత్త అప్‌డేట్‌ను విడుదల చేసింది, ఇది వినియోగదారులు వారి వీడియో ప్రాంప్ట్‌లతో పాటు బహుళ రిఫరెన్స్ చిత్రాలను అప్‌లోడ్ చేయడానికి అనుమతించడం ద్వారా సృజనాత్మక నియంత్రణను గణనీయంగా మెరుగుపరుస్తుంది. 

Gemini అప్లికేషన్ యొక్క మొబైల్ మరియు డెస్క్‌టాప్ వినియోగదారులకు మరియు Gemini API ద్వారా అందుబాటులోకి వస్తున్న ఈ ఫీచర్, వినియోగదారులు మరింత వివరణాత్మక మరియు సూక్ష్మ దృశ్యాలను నిర్మించడానికి వీలు కల్పిస్తుంది. 

మూడు లేదా నాలుగు రిఫరెన్స్ చిత్రాలను అందించడం ద్వారా, వినియోగదారులు బహుళ షాట్‌లలో పాత్ర స్థిరత్వాన్ని నిర్వహించడానికి, నిర్దిష్ట శైలిని (కలర్ టోన్ లేదా లైటింగ్ వంటివి) వర్తింపజేయడానికి లేదా వీడియో అంతటా ఉద్దేశించిన విధంగా కొన్ని వస్తువులు కనిపించేలా చూసుకోవడానికి జనరేషన్ ప్రక్రియను మార్గనిర్దేశం చేయవచ్చు. 

Veo 3.1 యొక్క ముఖ్య లక్షణాలు

మల్టీ-ఇమేజ్ రిఫరెన్సింగ్‌ను జోడించడం అనేది Veo 3.1లోని అధునాతన సామర్థ్యాల సూట్‌లో భాగం, దీనిని Google హై-ఫిడిలిటీ వీడియోలను రూపొందించడానికి దాని అత్యాధునిక మోడల్‌గా ఉంచుతోంది. 

 Veo 3.1 మరియు Veo 3.1 ఫాస్ట్ మోడల్‌లలో ఇతర ముఖ్యమైన లక్షణాలు మరియు మెరుగుదలలు:

నేటివ్ ఆడియో జనరేషన్:

వీడియో యొక్క విజువల్ కంటెంట్‌కు సరిపోయే వాస్తవిక, సమకాలీకరించబడిన సౌండ్ ఎఫెక్ట్‌లు మరియు డైలాగ్‌లను రూపొందించడంలో మోడల్ అద్భుతంగా ఉంది.

మెరుగైన వాస్తవికత మరియు ప్రాంప్ట్ అడ్హెరెన్స్:

Veo 3.1 మెరుగైన దృశ్య నాణ్యతను, వాస్తవ-ప్రపంచ భౌతికశాస్త్రం యొక్క మెరుగైన ప్రాతినిధ్యాన్ని అందిస్తుంది మరియు సాధారణంగా వినియోగదారు యొక్క టెక్స్ట్ ప్రాంప్ట్‌లకు కట్టుబడి ఉండటంలో మరింత ఖచ్చితమైనది.

మొదటి మరియు చివరి ఫ్రేమ్ నియంత్రణ:

వినియోగదారులు ఒక దృశ్యం యొక్క ప్రారంభ మరియు ముగింపు చిత్రాలను నిర్వచించగలరు, దీని వలన మోడల్ రెండు ఫ్రేమ్‌ల మధ్య సజావుగా, మృదువైన మరియు దర్శకత్వం వహించే పరివర్తనను ఉత్పత్తి చేయడానికి వీలు కల్పిస్తుంది, దీనితో పాటు ఆడియో కూడా ఉంటుంది.

దృశ్య పొడిగింపు:

మోడల్ మునుపటి వీడియో ముగింపుకు దృశ్యమానంగా కనెక్ట్ అయ్యే కొత్త క్లిప్‌లను రూపొందించడానికి వినియోగదారులను అనుమతిస్తుంది, ఇది ఒక నిమిషం లేదా అంతకంటే ఎక్కువ కాలం ఉండే పొడవైన, బహుళ-షాట్ సీక్వెన్స్‌లను సృష్టించడానికి వీలు కల్పిస్తుంది.

 లభ్యత మరియు ప్రయోజనం

జెమిని API ద్వారా చెల్లింపు ప్రివ్యూలో అందుబాటులో ఉన్న మరియు జెమిని యాప్ మరియు ఫ్లో ఎడిటర్ ద్వారా యాక్సెస్ చేయగల Veo 3.1 మోడల్, డెవలపర్లు మరియు సృష్టికర్తలు మరింత ఆకర్షణీయమైన కంటెంట్‌ను ఉత్పత్తి చేయడానికి సాధికారత కల్పించడానికి రూపొందించబడింది. 

స్థిరత్వం మరియు శైలిపై మరింత సూక్ష్మ నియంత్రణను అందించడం ద్వారా, వినియోగదారులు మొదటి ప్రయత్నంలోనే వారి "మీ దృష్టికి నిజం" వీడియోలకు దగ్గరగా ఉండటానికి, సాధారణ టెక్స్ట్-టు-వీడియో జనరేషన్ కంటే సంక్లిష్టమైన సృజనాత్మక దిశకు వెళ్లడానికి నవీకరణ లక్ష్యంతో ఉంది.