xAI نے امیجن کا اعلان کیا۔ تصور کریں v0.9اس کے گروک "امیجن" ٹیکسٹ اور امیج ٹو ویڈیو فیملی کے لیے ایک اہم اپ ڈیٹ جو کہ پہلی بار اس کی پائپ لائن میں، تیار کردہ ویڈیو کلپس کے اندر سنکرونائز آڈیو تیار کرتا ہے - بشمول بیک گراؤنڈ میوزک، بولے جانے والے مکالمے اور گانا - بصری معیار، حرکت اور سنیماٹک کنٹرولز کو بہتر بناتے ہوئے۔ ماڈل کی نقاب کشائی xAI نے کی تھی۔ اکتوبر 7، 2025 اور اسے xAI/Grok پروڈکٹس میں متعارف کرایا جا رہا ہے۔
امیجن v0.9 کیا ہے۔
تصور کریں v0.9 xAI کا اگلی نسل کا ویڈیو ماڈل ہے (قابلیتوں کے گروک / ارورہ خاندان کا حصہ) جو ٹیکسٹ پرامپٹس یا فراہم کردہ تصاویر کو مختصر سنیما کلپس میں بدل دیتا ہے۔ جہاں پہلے تکرار خاموش کلپس تیار کرتی تھی یا علیحدہ آڈیو ٹولنگ کی ضرورت ہوتی تھی، تصور کریں v0.9 تیار ہوتا ہے مربوط آڈیو ٹریک جو بصری واقعات سے منسلک ہیں۔ (ہونٹوں کی حرکتیں، اعمال، ماحول) ایک نسل کے پاس کے حصے کے طور پر۔ xAI نے ماڈل کو اپنے گروک امیجن ٹول سیٹ کے ارتقاء کے طور پر رکھا ہے۔
کلیدی خصوصیات
- مقامی آڈیو-ویڈیو مطابقت پذیری: تصور کریں کہ v0.9 پس منظر کی موسیقی، محیطی آواز، بولے جانے والے مکالمے اور یہاں تک کہ گانا بھی تیار کرتا ہے جو کہ الگ آواز میں ترمیم کی ضرورت کے بجائے تخلیق کردہ بصریوں کے ساتھ مطابقت پذیر ہوتا ہے۔
- بہتر بصری وفاداری اور حرکت: زیادہ جاندار کردار کی نقل و حرکت، ہموار طبیعیات اور سنیمیٹک کیمرہ اثرات (فوکس شفٹ، پین)۔
- آواز کا پہلا انٹرفیس: پرامپٹ بول کر مواد تیار کرنے کا ایک آپشن — جس کا مقصد ہینڈز فری ورک فلو ہے۔
- رفتار اور تکرار: مختصر کلپس کے لیے عوامی ڈیمو اور رپورٹنگ کا دعویٰ ذیلی 15 سیکنڈ جنریشن (ماڈل موڈ اور لوڈ پر منحصر ہے)۔
- متعدد آؤٹ پٹ موڈز: متن → تصویر → ویڈیو پائپ لائن اور براہ راست تصویر → ویڈیو کی تبدیلی (ایک تصویر کو ایک مختصر کلپ میں متحرک کریں)۔
- **فاسٹ جنریشن اوقات:**t شارٹ جنریشن لیٹینسیز (بہت سی مثالیں جو مختصر کلپس کے لیے ~15–20 سیکنڈ رینج میں چل رہی ہیں)۔
نیا کیا ہے بمقابلہ پچھلے ورژن
سرخی کی تبدیلی ہے۔ فرسٹ کلاس آؤٹ پٹ کے طور پر تیار کردہ آڈیو, ایک بعد کی سوچ نہیں. اس کا مطلب ہے کہ امیجن v0.9 آواز کے واقعات (تقریر، قدموں، گرجنے، موسیقی کے اشارے) کو ویڈیو کے وقت سے جوڑنے کی کوشش کرتا ہے، بجائے اس کے کہ ایک علیحدہ ڈبنگ یا ایڈیٹنگ مرحلہ درکار ہو۔ xAI موشن ریئلزم میں چھلانگ لگانے، کیمرہ کنٹرول افورڈنس اور تیز تر، زیادہ انٹرایکٹو انٹرفیس پر بھی زور دیتا ہے۔ xAI کی پہلے کی Imagine/Grok ویڈیو صلاحیتوں (جیسے v0.1) کے مقابلے میں، Imagine v0.9 لاتا ہے:
- انٹیگریٹڈ آڈیو جنریشن (نہ صرف خاموش ویڈیو یا علیحدہ TTS اوورلیز)۔
- بہتر موشن اور کیمرہ کنٹرول, مزید سنیمیٹک فریمنگ اور متحرک کہانی سنانے کو فعال کرنا۔
- آواز کا پہلا UX فوری اندراج کے لیے، اور xAI کے بنیادی Aurora/Grok اسٹیک کے ذریعے چلنے والی رفتار اور تھرو پٹ اپ گریڈ کی اطلاع دی۔
امیجن v0.9 تک کیسے رسائی حاصل کریں۔
کہاں ہے: کی صلاحیت کے ذریعے سامنے آیا ہے گروک (xAI کا اسسٹنٹ) اور Grok/xAI ایپس اور انضمام۔
طریقے:
- صوتی وضع: اگر آپ بولنے کے اشارے کو ترجیح دیتے ہیں تو ایپ کو فعال کریں۔ آواز سب سے پہلے موڈ (اکثر ابتدائی گائیڈز میں "اوپن ایپ ان وائس موڈ" کا لیبل لگا ہوا ہے) اور اپنے پرامپٹ یا منظر کی سمت کا حکم دیں۔
- تصویر → ویڈیو: آپ حرکت اور آڈیو (بیک گراؤنڈ سکور، ڈائیلاگ لائنز، گانے کا انداز) کے لیے امیج کے علاوہ ہدایات فراہم کر کے اسٹیل امیجز کو مختصر، آواز سے مطابقت پذیر کلپس میں تبدیل کر سکتے ہیں۔
- اسٹائل، کیمرہ ایکشن، یا مختصر دورانیے کی درخواست کریں۔ آؤٹ پٹ کلپس فی الحال مختصر ہیں (مثالیں/اعلانات بہت مختصر دکھاتے ہیں—کئی سیکنڈ)۔
حدود اور حفاظتی نوٹ
- میں انسانی اناٹومی، فریموں میں تسلسل، اور جنریٹیو ویڈیو سسٹمز کی مخصوص دیگر نوادرات میں مستقل مسائل کو نوٹ کرتا ہوں — نتائج متاثر کن ہیں لیکن کامل نہیں۔
- Grok Imagine کو اعتدال پسندی کی ترتیبات پر تنقید کا سامنا کرنا پڑا ہے: v0.9 ایک "مصالحہ دار" موڈ کو بے نقاب کرتا ہے اور تاریخی طور پر Grok کے محافظوں کو نظر انداز کر دیا گیا ہے، اس لیے مواد کی حفاظت کے حقیقی خدشات ہیں (ڈیپ فیکس، NSFW، کاپی رائٹ/مشہور شخصیت کا غلط استعمال)۔ احتیاط کے ساتھ استعمال کریں اور پلیٹ فارم کے قوانین پر عمل کریں۔
نتیجہ:
امیجن v0.9 صحیح معنوں میں مربوط متن/تصویر → مختصر ویڈیو پروڈکشن کی جانب ایک قابل ذکر قدم ہے جو کہ xAI کے Grok Imagine آؤٹ پٹ میں مقامی، مطابقت پذیر آڈیو (موسیقی، ڈائیلاگ، گانا) شامل کر کے حرکت اور سنیما کنٹرول کو بہتر بناتا ہے۔
ڈیمو طرز کا ٹپ چاہتے ہیں؟
ایک سخت، وضاحتی اشارہ استعمال کریں اور حرکت اور کیمرے کی ہدایات شامل کریں۔ مثال:
فوری طور پر: "ایک سرخ ڈریگن کی گرجتے ہوئے کلوز اپ، کیمرا اندر دھکیلتا ہے اور جھک جاتا ہے جب یہ شعلے کا سانس لیتا ہے، سنیما کی روشنی، 6 سیکنڈ کا لوپ، سانسوں کے ساتھ مطابقت پذیر ایک گہرا گرج دار گرج شامل کرتا ہے۔"
وہ پیٹرن (موضوع + موشن + کیمرہ + لمبائی + آڈیو) عام طور پر واضح نتائج دیتا ہے۔
CometAPI کے ذریعے ویڈیو بنانے کا آغاز کیسے کریں۔
CometAPI ایک متحد API پلیٹ فارم ہے جو سرکردہ فراہم کنندگان سے 500 سے زیادہ AI ماڈلز کو اکٹھا کرتا ہے — جیسے OpenAI کی GPT سیریز، Google کی Gemini، Anthropic's Claude، Midjourney، Suno، اور مزید — ایک واحد، ڈویلپر کے موافق انٹرفیس میں۔ مسلسل تصدیق، درخواست کی فارمیٹنگ، اور رسپانس ہینڈلنگ کی پیشکش کرکے، CometAPI ڈرامائی طور پر آپ کی ایپلی کیشنز میں AI صلاحیتوں کے انضمام کو آسان بناتا ہے۔ چاہے آپ چیٹ بوٹس، امیج جنریٹرز، میوزک کمپوزر، یا ڈیٹا سے چلنے والی اینالیٹکس پائپ لائنز بنا رہے ہوں، CometAPI آپ کو تیزی سے اعادہ کرنے، لاگت کو کنٹرول کرنے، اور وینڈر-ایگنوسٹک رہنے دیتا ہے—یہ سب کچھ AI ماحولیاتی نظام میں تازہ ترین کامیابیوں کو حاصل کرنے کے دوران۔
CometAPI نے Grok Imagine API سمیت تازہ ترین ماڈل API کی حرکیات پر نظر رکھنے کا وعدہ کیا ہے، جو کہ باضابطہ ریلیز کے ساتھ ساتھ جاری کیا جائے گا۔ براہ کرم اس کا انتظار کریں اور CometAPI پر توجہ دینا جاری رکھیں۔ انتظار کے دوران، ہمارے دوسرے تصویری ماڈلز کو دریافت کریں جیسے کہ سورہ 2، اور سورہ 2 اپنے ورک فلو پر یا انہیں AI کھیل کے میدان میں آزمائیں۔ آپ میں ماڈل کی صلاحیتوں کو دریافت کر سکتے ہیں۔ کھیل کے میدان اور تفصیلی ہدایات کے لیے API گائیڈ سے رجوع کریں۔ رسائی کرنے سے پہلے، براہ کرم یقینی بنائیں کہ آپ نے CometAPI میں لاگ ان کیا ہے اور API کلید حاصل کر لی ہے۔ CometAPI آپ کو انضمام میں مدد کے لیے سرکاری قیمت سے کہیں کم قیمت پیش کرتا ہے۔