ایک خود کی گئی ویڈیو کو ماڈل کو دیں اور کہیں “آئینہ جیسے ترل ترل ہو جائے”، “شخصیت کو ماریونیٹ میں تبدیل کر دیں”، “اصل کمرہ اور حرکت کو برقرار رکھیں”۔ جو کام پچھلے وقت میں ایڈیٹرز کو ٹائم لائن پر ہر لیئر کو الگ الگ کر کے کرنا پڑتا تھا، اب اسے متن تبدیل کرنے کی طرح لگاتار سوالات پوچھ کر کیا جا سکتا ہے۔ گوگل ڈیپ مائنڈ نے 5 نومبر کو جیمنی اومنی 1.2 فلیش ماڈل کارڈ جاری کیا، جس میں اس ماڈل کو متن، تصویر، آواز اور ویڈیو ان پٹس سے آواز والی ہائی ریزولوشن ویڈیوز بنانے اور قدرتی مکالمے کے ذریعے دہرائے جانے والے ایڈٹنگ کے لیے سپورٹ کرنے والا بیان کیا گیا ہے۔ ویڈیو بنانے کا نقطہ اب سافٹ ویئر پینل سے زبان کی طرف منتقل ہو رہا ہے، لیکن اس سے ایڈٹنگ کے نشانات، شخصیات کے اجازت نامے اور حقائق کی قابلِ اعتمادیت آنکھوں سے پہچاننا مشکل ہو گئی ہے۔
ڈائیلاگ ایڈیٹنگ نے حقیقت میں کیا بچایا
سنتی ویڈیو جنریشن عام طور پر "ایک ہی پرامپٹ، ایک ہی نتیجہ" ہوتی ہے۔ اگر کریٹر کو کردار کی حرکت، روشنی یا کیمرے کے زاویے میں تبدیلی کرنی ہو، تو وہ اکثر دوبارہ جنریٹ کرنا پڑتا ہے، اور پچھلے ورژن کے کردار اور منظر بگڑ سکتے ہیں۔ جیمنی اومنی مسلسل ایڈٹنگ پر زور دیتا ہے: ہر تبدیلی پچھلے مرحلے کے نتیجے پر بنائی جاتی ہے اور منظر کی مسلسل رابطہ برقرار رکھنے کی کوشش کی جاتی ہے۔ یہ مکانزم پیچیدہ آپریشنز کو سمجھنے میں آسان ارادوں کی ایک لکیر میں تقسیم کرتا ہے، جس سے کریٹرز کو ماسک، کلیدی فریمز اور کمپوزٹ نوڈس سیکھنے کی ضرورت نہیں پڑتی، بلکہ وہ تدریجاً اپنے مقصد تک پہنچ سکتے ہیں۔
مڈل کارڈ میں درج ہے کہ ان پٹ میں متن، تصویر، آڈیو اور ویڈیو شامل ہیں، جبکہ آؤٹ پٹ آڈیو کے ساتھ ویڈیو ہوتا ہے۔ پروڈکٹ پیج میں حوالہ مواد کا استعمال کرتے ہوئے تصویر کے انداز، حرکت کو دوبارہ لکھنا اور آواز کو مکمل کرنے کے معاملات دکھائے گئے ہیں۔ اس سے صرف تیاری کا وقت ہی نہیں، بلکہ اظہار کی لاگت بھی کم ہوتی ہے۔ ایک ڈائریکٹر "شخص آئینہ کو چھوتا ہے" کا تصور دے سکتا ہے، اور پھر سامان، آواز اور کیمرے کے رفتار کو مزید شامل کر سکتا ہے، بغیر ایک لمبے اور مشکل سے قابو پانے والے پرامپٹ لکھے۔
اسپیڈ ورژن ماڈل کا مقصد ایک فلم نہیں ہے
"Flash" کا مطلب ہے کہ پروڈکٹ تیزی اور لاگت پر زیادہ توجہ دیتا ہے۔ اشتہار ٹیمیں، شارٹ ویڈیو کریٹرز، گیم اسٹوڈیوز اور تعلیمی مواد تیار کرنے والے عام طور پر متعدد ورژنز کا تجربہ جلدی کرتے ہیں: ایک ہی مواد کو مختلف ابعاد، زبانوں اور رفتاروں کے ساتھ ٹیسٹ کرنا، اور فیڈبیک کے بعد اس میں مزید تبدیلیاں کرنا۔ اگر ماڈل مختصر وقت میں کردار، مکالمے اور حرکات کو مستقل رکھ سکے، تو پہلے تبدیل ہونے والے چیزیں اکثر تکراری اور بار بار تبدیل ہونے والے ورژنز ہوں گے، نہ کہ ایک بار کے بڑے پروجیکٹس۔
یہ ٹیم کے فرائض کو دوبارہ ترتیب دے دے گا۔ گزشتہ وقت میں ایگزیکٹو ممبران کے ذریعے کی جانے والی بڑی مقدار میں فارمیٹنگ اور ابتدائی سنتھیسز کو شاید پہلے ماڈل کو دے دیا جائے؛ انسان وقت کو کیمرہ شاٹس کا انتخاب، رفتار کنٹرول، حقائق کی تصدیق اور کاپی رائٹ کے معاملات پر مرکوز کریں گے۔ تخلیقی عہدوں کا وجود بٹن کم ہونے سے خودبخود ختم نہیں ہو جائے گا، لیکن "کسی سافٹ ویئر کو آپریٹ کرنا" کا تحفظ کم ہو جائے گا، اور کہانی، خوبصورتی اور مخاطب کی سمجھ کی قدر بڑھ جائے گی۔
آواز تبدیل کرنے والے کے لیے خطرہ پس منظر تبدیل کرنے سے زیادہ ہے
DeepMind نے مدل کارڈ میں خاص طور پر اشارہ کیا ہے کہ ویڈیو ایڈیٹنگ کی صلاحیت لوگوں کی بات چیت کو تبدیل کر سکتی ہے، اور اس کے لیے اب تک پابندیاں عائد ہیں اور محفوظ طریقے سے اس کا استعمال کرنے پر مزید تحقیق جاری ہے۔ یہ جملہ بہت اہم ہے۔ آسمان کے رنگ کو بدلنا اور ایک حقیقی شخص کو کبھی نہ کہے گئے الفاظ بولنا ایک جیسے خطرے نہیں ہیں۔ بعد والا شہرت، دھوکہ دہی، سیاسی پروپیگنڈا اور ثبوت کے آلودہ ہونے کا سبب بن سکتا ہے، اور جتنی زیادہ معیاری پیداوار ہوگی، اتنی ہی عام صارفین کے لیے جذباتی طور پر فرق پہچاننا مشکل ہو جائے گا۔
گوگل کا کہنا ہے کہ نظام تربیت سے پہلے اور تربیت کے بعد کے محفوظ اقدامات استعمال کرتا ہے اور SynthID کے ذریعے AI مواد میں پانی کا نشان ڈالتا ہے۔ یہ پانی کا نشان پلیٹ فارم کی تصدیق کے لیے اشارے فراہم کرتا ہے، لیکن یہ مکمل ثبوت نہیں ہے: ویڈیو کو کاٹنے، ٹرانسکوڈ کرنے یا دوبارہ فلمائے جانے پر شناخت کی صلاحیت متاثر ہو سکتی ہے؛ اور وہ ایپلیکیشن جو تصدیق کی سہولت فراہم نہیں کرتے، صارفین کو خودبخود نہیں بتائیں گے۔ حقیقی طور پر مؤثر حکمرانی کے لیے ذرائع کی ریکارڈنگ، شخصیات کی اجازت، پلیٹ فارم پر نشان زدگی اور غلط استعمال کی شکایتوں کے نظام کو مل کر کام کرنا ہوگا۔
مڈل کارڈ میں معلومات کا خلا بھی ظاہر ہوتا ہے
اس ماڈل کارڈ میں تربیتی ڈیٹا کی مکمل فہرست نہیں دی گئی، بلکہ کچھ مواد کو بنیادی ماڈل Gemini Omni Flash کی طرف اشارہ کیا گیا ہے؛ معلوم پابندیوں کا بھی زیادہ تر حوالہ بنیادی ماڈل کے مواد سے لیا گیا ہے۔ عام تخلیق کاروں کے لیے اس سے استعمال کرنے میں رکاوٹ نہیں آتی، لیکن کاروباری قانونی، میڈیا اور تعلیمی اداروں کے لیے اس کا مطلب ہے کہ انہیں اپنے آپ ڈیٹا لائسنس، علاقائی دسترس، شخصیات کے تصاویر اور پیداوار کی ذمہ داری جیسے سوالات کا جواب دینا ہوگا۔
مڈل کارڈ میں یہ بھی واضح کیا گیا ہے کہ Omni 1.2 Flash کو Gemini 3.1 Pro یا 3.7 Flash کے مقابلے میں کوئی اہم سرحدی صلاحیت کا ترقی نہیں سمجھا گیا ہے، اس لیے متعلقہ حفاظتی جائزہ جاری رکھا گیا ہے۔ یہ ایک خطرہ درجہ بندی کا فیصلہ ہے، جس کا مطلب یہ نہیں کہ ہر ویڈیو ایڈٹنگ سیناریو کا جائزہ لے لیا گیا ہے۔ آواز اور تصویر کو بڑے پیمانے پر تبدیل کرنے والے پروڈکٹس کا سماجی خطرہ زیادہ تر ان کی دستیابی، رفتار اور پھیلاؤ سے نکلتا ہے، صرف اس بات پر نہیں کہ ماڈل کسی سرحدی صلاحیت کے درجے تک پہنچ گیا ہے یا نہیں۔
ویڈیو سافٹ ویئر اب ارادہ سسٹم بن رہا ہے
مستقبل کے ویڈیو ٹولز صارفین کو مواد کے باکس، ٹریکس اور فلٹرز سے شروع کرنے کی ضرورت نہیں ہوگی، بلکہ پہلے یہ پوچھیں گے کہ "آپ چاہتے ہیں کہ ناظرین کیا دیکھیں؟"۔ مدل ایک قدرتی زبان کو کیمرہ شاٹس، آڈیو ٹریکس اور اثرات میں تبدیل کر دے گا۔ ایسا انٹر فیس زیادہ لوگوں کو اظہار کی صلاحیت فراہم کرے گا اور فلموں کی تعداد میں تیزی سے اضافہ ہوگا۔ نایاب وسائل اب تکنیک سے منتقل ہو کر قابل اعتماد ذرائع، منفرد مواد اور پہچانے جانے والے مصنف کی ذمہ داری پر ہو جائیں گے۔
جیمنی اومنی 1.2 فلیش کا سب سے زیادہ اہم پہلو یہ نہیں کہ یہ کتنی خوبصورت تصویریں بناسکتا ہے، بلکہ یہ ہے کہ ایڈٹنگ کے عمل اب دستی عمل سے بات چیت کرنے والے، مسلسل فراہم کیے جانے والے سروس میں تبدیل ہو رہے ہیں۔ جب تخلیقی رکاوٹیں کم ہو جائیں، تو پلیٹ فارم اور تخلیق کار دونوں کو ثبوت کی رکاوٹ کو بڑھانا ہوگا: یہ کس کا چہرہ ہے، کس کی آواز ہے، کون سے حصے تبدیل کیے گئے ہیں، اور مشاہدین کیسے تصدیق کریں۔ ورنہ، سب سے آسان ایڈٹنگ ٹول بھی سب سے سستا جعلی ٹول بن سکتا ہے۔


