हुन्युआन वीडियो डीपफेक्स का उदय

कुछ चर्चा की जाने वाली सामग्री की प्रकृति के कारण, यह लेख सामान्य से कम संदर्भ लिंक और चित्रों को शामिल करेगा।

जनरेटिव एआई वीडियो मॉडल को लोगों के समानता को पुन: उत्पन्न करने के लिए प्रशिक्षित करने के लिए एक उल्लेखनीय बात वर्तमान में एआई सिंथेसिस समुदाय में हो रही है, हालांकि इसका महत्व समझने में कुछ समय लग सकता है। शौकिया लोग वीडियो-आधारित LoRAs का उपयोग करके टेंसेंट के हाल ही में जारी खुले स्रोत हुन्युआन वीडियो फ्रेमवर्क पर जनरेटिव एआई वीडियो मॉडल को प्रशिक्षित कर रहे हैं।*

प्ले करने के लिए क्लिक करें। हुन्युआन-आधारित LoRA अनुकूलन के विविध परिणाम नि:शुल्क रूप से सिविट समुदाय में उपलब्ध हैं। कम रैंक अनुकूलन मॉडल (LoRAs) को प्रशिक्षित करके, जो मुद्दे एआई वीडियो पीढ़ी के लिए दो वर्षों से अस्थायी स्थिरता से पीड़ित हैं, उन्हें काफी कम कर दिया जाता है। स्रोत: civit.ai

उपरोक्त वीडियो में, अभिनेत्री नताली पोर्टमैन, क्रिस्टीना हेंड्रिक्स और स्कारलेट जोहानसन, साथ ही साथ टेक लीडर एलोन मस्क की समानता को हुन्युआन जनरेटिव वीडियो सिस्टम के लिए अपेक्षाकृत छोटे ऐड-ऑन फ़ाइलों में प्रशिक्षित किया गया है, जिसे सामग्री फिल्टर (जैसे कि एनएसएफडब्ल्यू फिल्टर) के बिना एक उपयोगकर्ता के कंप्यूटर पर स्थापित किया जा सकता है।

उपरोक्त में दिखाए गए क्रिस्टीना हेंड्रिक्स LoRA के निर्माता का कहना है कि मॉडल (जो कि 307mb डाउनलोड है) विकसित करने के लिए मैड मेन टीवी शो से केवल 16 छवियों की आवश्यकता थी; रेडिट और डिस्कॉर्ड पर स्टेबल डिफ्यूजन समुदाय से कई पोस्ट यह पुष्टि करते हैं कि इस तरह के LoRAs को अधिकांश मामलों में उच्च मात्रा में प्रशिक्षण डेटा या उच्च प्रशिक्षण समय की आवश्यकता नहीं होती है।

क्लिक करने के लिए प्ले। अर्नोल्ड श्वार्ज़नेगर को हुन्युआन वीडियो LoRA में जीवन में लाया गया है, जिसे सिविट पर डाउनलोड किया जा सकता है। अर्नी के और उदाहरणों के लिए https://www.youtube.com/watch?v=1D7B9g9rY68 देखें, जो एआई उत्साही बॉब डोयल से।

हुन्युआन LoRAs को स्थिर छवियों या वीडियो पर प्रशिक्षित किया जा सकता है, हालांकि वीडियो पर प्रशिक्षण करने के लिए अधिक हार्डवेयर संसाधनों और बढ़ी हुई प्रशिक्षण समय की आवश्यकता होती है।

हुन्युआन वीडियो मॉडल में 13 अरब पैरामीटर हैं, जो सोरा के 12 अरब पैरामीटर से अधिक है, और बहुत कम क्षमता वाले हुन्युआन-डीआईटी मॉडल से बहुत अधिक है, जिसे 2024 के ग्रीष्म में खुले स्रोत में जारी किया गया था, जिसमें केवल 1.5 अरब पैरामीटर हैं।

जैसा कि दो साल से अधिक समय पहले स्टेबल डिफ्यूजन और LoRA (स्टेबल डिफ्यूजन 1.5 के ‘मूल’ हस्तियों के उदाहरण यहाँ देखें) के साथ हुआ था, प्रश्न में आधार मॉडल की हस्तियों की व्यक्तित्व की समझ बहुत सीमित है, जो कि ‘आईडी-इंजेक्टेड’ LoRA कार्यान्वयन के माध्यम से प्राप्त की जा सकने वाली विश्वसनीयता के स्तर की तुलना में।

प्रभावी रूप से, एक अनुकूलित, व्यक्तित्व-केंद्रित LoRA आधार मॉडल की महत्वपूर्ण सिंथेसिस क्षमताओं पर एक ‘मुफ्त सवारी’ प्राप्त करता है, जो एक उल्लेखनीय रूप से अधिक प्रभावी मानव सिंथेसिस प्रदान करता है जो कि 2017-युग के ऑटोएनकोडर डीपफेक्स द्वारा प्राप्त किया जा सकता है, या स्थिर छवियों में गति जोड़ने के लिए सिस्टम जैसे कि प्रतिष्ठित लाइवपोर्ट्रेट के माध्यम से।

सभी LoRAs जो यहाँ दिखाए गए हैं, सिविट समुदाय से नि:शुल्क डाउनलोड किए जा सकते हैं; जबकि अधिक संख्या में पुराने कस्टम-निर्मित ‘स्थिर-छवि’ LoRAs भी संभावित रूप से ‘बीज’ छवियों को वीडियो निर्माण प्रक्रिया (अर्थात, छवि से वीडियो, एक प्रतीक्षित रिलीज़ के लिए हुन्युआन वीडियो) के लिए बना सकते हैं (हालांकि वर्कअराउंड संभव हैं, इस समय के लिए)।

प्ले करने के लिए क्लिक करें। उपरोक्त, फ्लक्स LoRA के नमूने; नीचे, हुन्युआन वीडियो LoRA के उदाहरण जिसमें संगीतकार टेलर स्विफ्ट हैं। दोनों LoRAs सिविट समुदाय में नि:शुल्क उपलब्ध हैं।

जैसा कि मैं लिखता हूँ, सिविट वेबसाइट ‘हुन्युआन’ के लिए 128 खोज परिणाम प्रदान करती है।* लगभग सभी एनएसएफडब्ल्यू मॉडल हैं; 22 हस्तियों को चित्रित करते हैं; 18 को हार्डकोर पोर्नोग्राफी के उत्पादन को सुविधाजनक बनाने के लिए डिज़ाइन किया गया है; और केवल सात पुरुषों को महिलाओं के बजाय चित्रित करते हैं।

तो क्या नया है?

डीपफेक की परिभाषा के विकसित स्वभाव के कारण, और सीमित सार्वजनिक समझ के कारण, हुन्युआन LoRA का महत्व समझना मुश्किल हो सकता है (काफी गंभीर) एआई मानव वीडियो सिंथेसिस फ्रेमवर्क की सीमाओं को दिनांक तक। आइए कुछ प्रमुख अंतरों की समीक्षा करें जो हुन्युआन LoRAs और पिछले दृष्टिकोणों के बीच हैं।

1: अनियंत्रित स्थानीय स्थापना

हुन्युआन वीडियो का सबसे महत्वपूर्ण पहलू यह है कि यह स्थानीय रूप से डाउनलोड किया जा सकता है, और यह एक बहुत ही शक्तिशाली और अनियंत्रित एआई वीडियो पीढ़ी प्रणाली को आकस्मिक उपयोगकर्ता और वीएफएक्स समुदाय (जितना कि लाइसेंस भौगोलिक क्षेत्रों में अनुमति देते हैं) के हाथों में रखता है।

पिछली बार ऐसा हुआ था जब स्टेबिलिटी.एआई ने 2022 के ग्रीष्म में स्टेबल डिफ्यूजन मॉडल को खुले स्रोत में जारी किया था। उस समय, ओपनएआई के डीएलएल-ई2 ने सार्वजनिक कल्पना को पकड़ लिया था, हालांकि डीएलएल-ई2 एक भुगतान सेवा थी जिसमें उल्लेखनीय प्रतिबंध थे (जो समय के साथ बढ़ गए)।

जब स्टेबल डिफ्यूजन उपलब्ध हुआ, और लो-रैंक अनुकूलन ने किसी भी व्यक्ति (हस्ती या नहीं) की पहचान की छवियों को उत्पन्न करना संभव बना दिया, तो स्टेबल डिफ्यूजन ने डीएलएल-ई2 की लोकप्रियता को पार कर लिया; हालांकि बाद में एक अधिक क्षमता वाला प्रणाली था, इसके सेंसरशिप दिनचर्या को अनेक उपयोगकर्ताओं द्वारा कठोर माना जाता था, और अनुकूलन संभव नहीं था।

संभावित रूप से, यही परिदृश्य अब सोरा और हुन्युआन के बीच लागू होता है – या अधिक सटीक रूप से, सोरा-ग्रेड प्रोप्राइटरी जनरेटिव वीडियो प्रणालियों और खुले स्रोत प्रतिद्वंद्वियों के बीच, जिनमें से हुन्युआन पहला है – लेकिन शायद अंतिम नहीं (यहाँ, यह विचार करें कि फ्लक्स अंततः स्टेबल डिफ्यूजन पर महत्वपूर्ण जमीन हासिल करेगा)।

जो उपयोगकर्ता हुन्युआन LoRA आउटपुट बनाना चाहते हैं, लेकिन जिनके पास प्रभावी उपकरण नहीं है, वे हमेशा की तरह ऑनलाइन कंप्यूट सेवाओं जैसे कि रनपॉड पर जीपीयू पहलू को ऑफलोड कर सकते हैं। यह काइबर या क्लिंग जैसे प्लेटफार्मों पर एआई वीडियो बनाने जैसा नहीं है, क्योंकि इसमें कोई सेमांटिक या छवि-आधारित फिल्टरिंग (सेंसरशिप) शामिल नहीं है।

2: कोई ‘होस्ट’ वीडियो और उच्च प्रयास की आवश्यकता नहीं

जब डीपफेक्स 2017 के अंत में दृश्य में आए, तो गुमनाम रूप से पोस्ट किए गए कोड ने मुख्यधारा के फोर्क डीपफेसलैब और फेसस्वैप (साथ ही डीपफेसलाइव रियल-टाइम डीपफेकिंग सिस्टम) में विकसित किया।

इस विधि में प्रत्येक पहचान को स्वैप करने के लिए हजारों चेहरे की छवियों को सावधानी से क्यूरेट करना आवश्यक था; इस चरण में कम प्रयास, मॉडल उतना ही कम प्रभावी होगा। इसके अलावा, प्रशिक्षण समय उपलब्ध हार्डवेयर पर निर्भर करते हुए 2-14 दिनों के बीच भिन्न होते थे, जो लंबे समय में क甚至 क्षमता वाले सिस्टम पर भी जोर देते थे।

जब मॉडल अंततः तैयार हो गया, तो यह केवल मौजूदा वीडियो में चेहरे लगा सकता था, और आमतौर पर एक ‘लक्ष्य’ (अर्थात, वास्तविक) पहचान की आवश्यकता थी जो सुपरइम्पोज़ की गई पहचान के रूप में करीब थी।

हाल ही में, रूप, लाइवपोर्ट्रेट और कई समान फ्रेमवर्क ने कम प्रयास के साथ समान कार्यक्षमता प्रदान की है, और अक्सर बेहतर परिणामों के साथ – लेकिन बिना सटीक पूर्ण-शरीर डीपफेक्स की क्षमता के, या चेहरे के अलावा किसी अन्य तत्व के।

बॉब डोयल के यूट्यूब सामग्री स्ट्रीम से रूप अनलीश्ड और लाइवपोर्ट्रेट (निचले बाएं सेट में) के उदाहरण। स्रोत: https://www.youtube.com/watch?v=i39xeYPBAAM और https://www.youtube.com/watch?v=QGatEItg2Ns

हुन्युआन LoRAs (और जो समान प्रणाली अनिवार्य रूप से इसका पालन करेंगी) पूरे विश्वों के निर्माण की अनुमति देते हैं, जिसमें उपयोगकर्ता-प्रशिक्षित LoRA पहचान का पूर्ण-शरीर सिमुलेशन शामिल है।

3: बहुत सुधारित अस्थायी स्थिरता

अस्थायी स्थिरता प्रसार वीडियो के लिए कई वर्षों से पवित्र ग्रिल है। एक LoRA का उपयोग, साथ ही साथ उपयुक्त प्रॉम्प्ट, हुन्युआन वीडियो पीढ़ी को एक स्थिर पहचान संदर्भ प्रदान करता है। सिद्धांत रूप में, (ये शुरुआती दिन हैं), एक विशिष्ट पहचान के कई LoRAs को प्रशिक्षित किया जा सकता है, प्रत्येक विशिष्ट पोशाक पहने हुए।

इन परिस्थितियों में, पोशाक भी कम संभावना है कि यह वीडियो पीढ़ी के दौरान ‘म्यूटेट’ होगी (क्योंकि जनरेटिव सिस्टम पिछले फ्रेम की एक बहुत ही सीमित खिड़की पर आधारित अगले फ्रेम को आधार बनाता है)।

(वैकल्पिक रूप से, जैसा कि छवि-आधारित LoRA प्रणालियों के साथ, एक ही वीडियो पीढ़ी में पहचान + पोशाक LoRAs जैसे कई LoRAs लागू किए जा सकते हैं)

4: ‘मानव प्रयोग’ तक पहुंच

जैसा कि मैंने हाल ही में देखा, प्रोप्राइटरी और फांग-स्तर की जनरेटिव एआई क्षेत्र अब इतना सावधान हो गया है कि इसकी परियोजनाओं की मानव सिंथेसिस क्षमताओं से संबंधित संभावित आलोचना के बारे में, वास्तविक लोग शायद ही कभी प्रमुख घोषणाओं और रिलीज़ के लिए परियोजना पृष्ठों में दिखाई देते हैं। इसके बजाय, संबंधित प्रचार साहित्य में सिंथेटिक परिणामों में ‘प्यारे’ और अन्य ‘गैर-खतरनाक’ विषयों को दिखाने की प्रवृत्ति बढ़ रही है।

निहितार्थ

चूंकि सिविट समुदाय में ‘हुन्युआन’ की खोज मुख्य रूप से हस्ती LoRAs और ‘हार्डकोर’ LoRAs दिखाती है, हुन्युआन LoRAs के आगमन का मुख्य निहितार्थ यह है कि वे वास्तविक लोगों (हस्तियों और अज्ञात लोगों सहित) के एआई पोर्नोग्राफिक (या अन्य अपमानजनक) वीडियो बनाने के लिए उपयोग किए जाएंगे।

अनुपालन के उद्देश्यों के लिए, जो शौकिया हुन्युआन LoRAs बनाते हैं और विभिन्न डिस्कॉर्ड सर्वर पर प्रयोग करते हैं, वे वास्तविक लोगों के उदाहरणों को पोस्ट करने से मना करते हैं। वास्तविकता यह है कि यहां तक कि छवि-आधारित डीपफेक्स अब गंभीर रूप से हथियारबंद हैं; और वास्तविक वीडियो को मिश्रण में जोड़ने की संभावना ने अंततः पिछले सात वर्षों में मीडिया में बढ़ी हुई चिंताओं को सही ठहरा दिया है, और जो नियमन को प्रेरित करता है।

चालक बल

जैसा कि हमेशा, पोर्न प्रगति का इंजन प्रौद्योगिकी बना हुआ है। हमारी राय के बावजूद, यह दृढ़ इंजन प्रगति को बढ़ावा देता है जो अंततः अधिक मुख्यधारा को अपना सकता है।

इस मामले में, संभव है कि कीमत सामान्य से अधिक होगी, क्योंकि हाइपर-वास्तविक वीडियो निर्माण का खुला स्रोत स्पष्ट रूप से आपराधिक, राजनीतिक और नैतिक दुरुपयोग के लिए निहितार्थ है।

एक रेडिट समूह (जिसे मैं यहाँ नहीं नाम दूंगा) जो एआई जनरेटेड एनएसएफडब्ल्यू वीडियो सामग्री के लिए समर्पित है, में एक खुला डिस्कॉर्ड सर्वर है जहां उपयोगकर्ता हुन्युआन-आधारित वीडियो पोर्न निर्माण के लिए कम्फ्यूआई कार्य प्रवाह को परिष्कृत कर रहे हैं। दैनिक, उपयोगकर्ता एनएसएफडब्ल्यू क्लिप के उदाहरण पोस्ट करते हैं – जिनमें से कई को उचित रूप से ‘अति’ या कम से कम मंच नियमों में वर्णित प्रतिबंधों पर जोर दिया जा सकता है।

यह समुदाय एक महत्वपूर्ण और विकसित गिटहब रिपॉजिटरी भी बनाए रखता है जिसमें ऐसे उपकरण हैं जो पोर्नोग्राफिक वीडियो को डाउनलोड और प्रोसेस कर सकते हैं, ताकि नए मॉडलों के लिए प्रशिक्षण डेटा प्रदान किया जा सके।

चूंकि सबसे लोकप्रिय LoRA प्रशिक्षक, कोह्या-एसएस, अब हुन्युआन LoRA प्रशिक्षण का समर्थन करता है, हुन्युआन LoRA प्रशिक्षण और वीडियो पीढ़ी के लिए बाधाएं दैनिक रूप से कम हो रही हैं, साथ ही साथ हुन्युआन प्रशिक्षण के लिए हार्डवेयर आवश्यकताएं।

पोर्न-आधारित एआई (हस्ती आधारित मॉडल के बजाय) के लिए समर्पित प्रशिक्षण योजनाओं का महत्वपूर्ण पहलू यह है कि एक मानक आधार मॉडल जैसे हुन्युआन विशेष रूप से एनएसएफडब्ल्यू आउटपुट पर प्रशिक्षित नहीं है, और इसलिए एनएसएफडब्ल्यू सामग्री का उत्पादन करने में खराब प्रदर्शन कर सकता है, या सीखे हुए अवधारणाओं और संघों को एक प्रदर्शनी या समझदार तरीके से विघटित करने में विफल हो सकता है।

एनएसएफडब्ल्यू फाउंडेशन मॉडल और LoRAs को विकसित करके, यह संभव होगा कि प्रशिक्षित पहचानों को एक समर्पित ‘पोर्न’ वीडियो डोमेन में प्रोजेक्ट किया जा सके;毕竟, यह छवियों के लिए पहले से ही हुआ है पिछले दो साल में।

वीएफएक्स

हुन्युआन वीडियो LoRAs द्वारा प्रदान की गई अस्थायी स्थिरता में वृद्धि एआई दृश्य प्रभाव उद्योग के लिए एक स्पष्ट वरदान है, जो खुले स्रोत सॉफ्टवेयर को अनुकूलित करने पर बहुत अधिक निर्भर करता है।

हुन्युआन वीडियो LoRA दृष्टिकोण एक पूरे फ्रेम और वातावरण को जन्म देता है, वीएफएक्स कंपनियों ने निश्चित रूप से इस विधि द्वारा प्राप्त किए जा सकने वाले अस्थायी रूप से स्थिर मानव चेहरों को अलग करने के लिए प्रयोग करना शुरू कर दिया है, ताकि उन्हें वास्तविक दुनिया के स्रोत फुटेज में सुपरइम्पोज़ या एकीकृत किया जा सके।

शौकिया समुदाय की तरह, वीएफएक्स कंपनियों को हुन्युआन वीडियो की छवि से वीडियो और वीडियो से वीडियो कार्यक्षमता की रिलीज का इंतजार करना होगा, जो संभावित रूप से LoRA-चालित, आईडी-आधारित ‘डीपफेक’ सामग्री के बीच सबसे उपयोगी पुल हो सकता है; या फिर उन्हें इम्प्रोवाइज करना होगा और हुन्युआन वीडियो के बाहरी क्षमताओं और संभावित अनुकूलन का पता लगाने के लिए अंतराल का उपयोग करना होगा, और यहां तक कि स्वामित्व वाले इन-हाउस फोर्क भी।

हुन्युआन वीडियो के लाइसेंस शर्तों के अनुसार, वास्तविक व्यक्तियों को चित्रित करने की अनुमति दी जाती है, बशर्ते अनुमति दी जाए, लेकिन इसका उपयोग यूरोपीय संघ, यूनाइटेड किंगडम और दक्षिण कोरिया में निषिद्ध है। ‘स्टेज में रहते हैं’ सिद्धांत के अनुसार, यह जरूरी नहीं है कि हुन्युआन वीडियो का उपयोग इन क्षेत्रों में नहीं किया जाएगा; हालांकि, बाहरी डेटा ऑडिट की संभावना, जो जनरेटिव एआई के आसपास बढ़ते नियमन को लागू करने के लिए, ऐसे अवैध उपयोग को जोखिम भरा बना सकती है।

लाइसेंस शर्तों के एक अन्य संभावित रूप से अस्पष्ट क्षेत्र में कहा गया है:

‘यदि टेंसेंट हुन्युआन संस्करण रिलीज़ की तारीख पर, लाइसेंसधारी द्वारा उपलब्ध कराई गई सभी उत्पादों या सेवाओं के मासिक सक्रिय उपयोगकर्ता पिछले कैलेंडर महीने में 100 मिलियन से अधिक मासिक सक्रिय उपयोगकर्ता हैं, तो आपको टेंसेंट से लाइसेंस का अनुरोध करना होगा, जिसे टेंसेंट अपने विवेकानुसार अनुदान दे सकता है, और आप तब तक इस समझौते के तहत कोई अधिकार नहीं निकाल सकते जब तक कि टेंसेंट अन्यथा विशेष रूप से आपको ऐसे अधिकार प्रदान नहीं करता।’

यह खंड स्पष्ट रूप से उन कंपनियों के लिए लक्षित है जो हुन्युआन वीडियो को एक अपेक्षाकृत प्रौद्योगिकी-अज्ञानी उपयोगकर्ता शरीर के लिए मध्यस्थ बनाने की संभावना है और जिन्हें एक निश्चित उपयोगकर्ता सीलिंग से ऊपर टेंसेंट को कार्रवाई में शामिल करने की आवश्यकता होगी।

चाहे व्यापक शब्दावली अप्रत्यक्ष उपयोग (अर्थात, लोकप्रिय फिल्मों और टीवी में हुन्युआन-सक्षम दृश्य प्रभाव आउटपुट के प्रावधान के माध्यम से) को भी कवर कर सकती है, इसके लिए स्पष्टीकरण की आवश्यकता हो सकती है।

निष्कर्ष

चूंकि डीपफेक वीडियो का अस्तित्व लंबे समय से है, यह हुन्युआन वीडियो LoRA के महत्व को कम आंकना आसान हो सकता है, और मान लेना कि वर्तमान में सिविट समुदाय, संबंधित डिस्कॉर्ड और रेडिट पर प्रकट होने वाले प्रयास केवल वास्तविक मानव वीडियो सिंथेसिस की दिशा में एक छोटा सा इंक्रीमेंटल धक्का हैं।

अधिक संभावना है कि वर्तमान प्रयास हुन्युआन वीडियो की क्षमता का केवल एक अंश हैं पूरी तरह से आश्वस्त पूर्ण-शरीर और पूर्ण-पर्यावरण डीपफेक्स बनाने के लिए; एक बार छवि से वीडियो घटक जारी किया जाता है (इस महीने होने की अफवाह है), एक बहुत ही विस्तृत स्तर की जनरेटिव शक्ति होगी दोनों शौकिया और पेशेवर समुदायों के लिए उपलब्ध।

जब स्टेबिलिटी.एआई ने 2022 में स्टेबल डिफ्यूजन जारी किया, तो कई पर्यवेक्षक यह निर्धारित नहीं कर सके कि कंपनी इतनी मूल्यवान और शक्तिशाली जनरेटिव प्रणाली क्यों दे रही थी। हुन्युआन वीडियो के साथ, लाभ प्रेरणा सीधे लाइसेंस में निर्मित है।

किसी भी मामले में, परिणाम 2022 में समान है: हुन्युआन वीडियो की रिलीज के आसपास समर्पित विकास समुदाय तुरंत और तीव्र उत्साह के साथ बने हैं। कुछ सड़कें जो इन प्रयासों अगले 12 महीनों में ले जाएंगे निश्चित रूप से नए शीर्षकलेख को प्रेरित करने वाले हैं।

* प्रकाशन के समय तक 136 तक।

मंगलवार, 7 जनवरी, 2025 को पहली बार प्रकाशित।