Auf der gestern gestarteten Google I/O Konferenz stellte Alphabet nicht nur eine Vielzahl neuer, teilweise multimodaler Sprachmodelle vor, um Open AI etwas im Zaum zu halten. Auch ein eigenständiges KI-Modell für generative Videoerzeugung wurde als Sneak Peak präsentiert.
Veo heißt der neueste, aber nicht erste Streich von Google, der auf den Erfahrungen früherer Video-KI-Modelle aufbaut (u.a. Generative Query Network (GQN), DVD-GAN, Imagen-Video, Phenaki, WALT, VideoPoet und Lumiere). Ein konkretes Paper gibt es nicht, aber Google DeepMind will durch die Kombination dieser Architekturen und Techniken Konsistenz, Qualität und Ausgabeauflösung deutlich verbessert haben.
So soll Veo hochwertige 1080P-Videos aus Text-, Bild- und Video-Prompts generieren können und dabei die "Details der Anweisungen in verschiedenen visuellen und cinematischen Stilen erfassen". So lässt sich gezielt nach Dingen wie Luft- oder Zeitraffer-Aufnahmen fragen. Gelungene Videos lassen sich auch zeitlich verlängern und mit Hilfe zusätzlicher Prompts weiter verfeinern.
Veo soll sich in den Google Labs schon bald mit einem experimentellen Tool namens VideoFX verwenden lassen - sofern man im richtigen Land sitzt und von der Warteliste ausgewählt wird. Der DACH Bereich scheint allerdings noch von der Sneak Peek komplett ausgeschlossen zu sein.
Einige Demo-Clips sind immerhin auf einer Demo-Seite von Deep-Mind zu begutachten.
Nachdem man davon ausgehen darf, dass jede Firma bei einer solchen Präsentation nur die besten Outputs seines Modells präsentiert, muss man sagen, dass Soras bekannte Clip-Auswahl in unseren Augen von Google qualitativ noch nicht eingeholt wird. Zugleich wirken die wenigen bislang gezeigten Veo-Samples deutlich runder, als alles, was man an sonstiger Sora-Konkurrenz in den letzten 3 Monaten zu sehen bekam. Zudem muss man betonen, dass auch Sora noch nicht offiziell veröffentlicht wurde - und darum keine Einschätzung möglich ist, wie "treffend" sich mit einem der beiden Modelle arbeiten lassen wird.
