وئو (مدل تبدیل متن به ویدیو)

وئو

ویدئوی تولیدشده توسط وئو ۳ از یک جغد و یک گورکن
توسعه‌دهنده(ها)	گوگل دیپ‌مایند
انتشار اولیه	مه ۲۰۲۴ (2024-05)
انتشار پایدار	وئو ۳٫۱ / ۱۵ اکتبر ۲۰۲۵ (2025-10-15)
نوع	مدل متن‌به‌ویدئو
وبگاه	وبگاه رسمی

وئو (Veo) یا گوگل وئو، یک مدل متن‌به‌ویدئو است که توسط گوگل دیپ‌مایند توسعه یافته و در مه ۲۰۲۴ رونمایی شد. به‌عنوان یک مدل هوش مصنوعی زاینده، این مدل بر اساس دستورالعمل‌های (prompts) کاربر، ویدئو تولید می‌کند. وئو ۳ که در مه ۲۰۲۵ منتشر شد، می‌تواند صدای همراه ویدئو را نیز تولید کند.

توسعه

در مه ۲۰۲۴، یک مدل تولید ویدئوی چندوجهی با نام وئو در کنفرانس گوگل آی/او ۲۰۲۴ معرفی شد. گوگل ادعا کرد که این مدل می‌تواند ویدئوهای ۱۰۸۰پی با مدت زمان بیش از یک دقیقه تولید کند. در دسامبر ۲۰۲۴، گوگل نسخه وئو ۲ را منتشر کرد که از طریق ویدئو اف‌اکس (VideoFX) در دسترس بود. این نسخه از تولید ویدئو با وضوح ۴کی پشتیبانی می‌کند و درک بهبودیافته‌ای از فیزیک دارد. در آوریل ۲۰۲۵، گوگل اعلام کرد که وئو ۲ برای کاربران پیشرفته در برنامه جمینای در دسترس قرار گرفته است.

در مه ۲۰۲۵، گوگل وئو ۳ را منتشر کرد که نه تنها ویدئو تولید می‌کند، بلکه صدای هماهنگ — شامل گفت‌وگو، جلوه‌های صوتی و نویز محیطی — را متناسب با تصاویر خلق می‌کند. گوگل همچنین فلو (Flow) را معرفی کرد، ابزاری برای ساخت ویدئو که با قدرت وئو و ایماجن (Imagen) کار می‌کند. دمیس هاسابیس، مدیرعامل گوگل دیپ‌مایند، این انتشار را به‌عنوان لحظه‌ای توصیف کرد که تولید ویدئو توسط هوش مصنوعی از دوران فیلم صامت خارج شد.

قابلیت‌ها و محدودیت‌ها

گوگل وئو را می‌توان از طریق چندین سطح اشتراک/عضویت، و/یا با استفاده از «اعتبار هوش مصنوعی» (AI credits) گوگل خریداری کرد. این نرم‌افزار را می‌توان توسط دو کنسول مختلف به نام‌های گوگل جمینای و گوگل فلو (Google Flow) اجرا کرد؛ که جمینای برای پروژه‌های کوتاه‌تر، سریع‌تر و فوری‌تر در نظر گرفته شده و از مدل چت هوش مصنوعی جمینای استفاده می‌کند، یا از طریق گوگل فلو، که در اصل یک ویرایشگر فیلم نیز هست و به کاربران اجازه می‌دهد پروژه‌های طولانی‌تری ایجاد کنند و با استفاده از همان شخصیت‌ها و بازیگران، تداوم را حفظ کنند. کاربران می‌توانند در هر کلیپ حداکثر هشت ثانیه ویدئو ایجاد کنند.

گوگل وئو دارای رابط کاربری و داشبورد نسبتاً ساده‌ای است، با این حال نوشتن دستورالعمل‌ها (prompts)، برای کسانی که تجربه اندکی در پیاده‌سازی یا فیلم‌سازی دارند، ممکن است با مشکلاتی در زمینه بدفهمی نرم‌افزار از منظور کاربر در دستورالعمل مواجه شود (هرچقدر هم که دقیق باشد). بنابراین اگرچه وئو راه‌اندازی ساده و کاربرپسندی دارد، اما اگر کاربر دیدگاه درستی برای پروژه خود بخواهد، دستورالعمل‌ها که در خط مقدم نرم‌افزار هستند، نه‌تنها باید کوتاه و مختصر باشند، بلکه باید بسیار خاص باشند. گوگل وئو در مورد مدل‌های انسانی، قادر به تولید چندین قومیت و نوع بدن است. این نرم‌افزار همچنین قادر به تولید اجراهای استندآپ کمدی و نماهنگ‌ها است. همچنین می‌تواند حیوانات، کارتون‌ها و پویانمایی تولید کند. دستورالعمل‌ها باید مکان‌ها، افراد و اشیاء را در هر صحنه به‌دقت توصیف کنند، به‌علاوه دانش اصطلاحات فیلم و دوربین مانند افق‌گرد (panning)، زوم (zooming) و اصطلاحات مربوط به زوایای دوربین نیز مهم هستند.

با این حال، گوگل وئو دستورالعمل‌ها و موانع سخت‌گیرانه‌ای برای نرم‌افزار خود دارد. قبل از تولید یک کلیپ، نرم‌افزار الگوریتم رایانه‌ای آن را بررسی می‌کند و اگر هر چیزی نامناسب تشخیص داده شود، از جمله بیش از حد جنسی، غیرقانونی، نمایش آزار/حمله/مبارزه گرافیکی (مگر اینکه دستورالعمل مشخص کند که یک صحنه هنرهای رزمی خیالی و غیره است)، رفتارهای شنیع، یهودستیزی، نژادپرستی، همجنس‌گرا هراسی، هر چیزی که رژیم‌های حاکم، شورش، خون، خشونت شدید یا جنگ را به تصویر بکشد (مگر اینکه در برخی موارد دستورالعمل مشخص کند که یک درام تاریخی خیالی است، ممکن است کلیپ تولید شود)، کلیپ تولید نخواهد شد. علاوه بر این، گوگل وئو نمی‌تواند و نخواهد توانست بازیگرانی را تولید کند که دقیقاً شبیه افراد مشهور یا افراد واقعی باشند. کاربران عمدتاً شکایت کرده‌اند که، فارغ از اینکه دستورالعمل‌هایشان چقدر توصیفی و دقیق است، گوگل وئو اغلب ورودی را اشتباه متوجه می‌شود که منجر به خروجی‌های کاملاً متفاوتی می‌گردد. مشکلات رایج شامل شبیه‌سازی زیرنویس‌ها و توضیحات نادرست، تولید صحنه‌های پیچیده که به دلیل محدودیت هشت ثانیه‌ای ناقص هستند، تولید گفتار نامفهوم و بی‌معنی، و مدل‌های شخصیتی است که در ظاهر و حرکت دفرمه (بدشکل) به نظر می‌رسند. کاربران همچنین گزارش داده‌اند که دستورالعمل‌ها و محتوای تولیدشده آن‌ها به‌اشتباه به‌عنوان نقض دستورالعمل‌ها علامت‌گذاری می‌شوند، به همراه انواع دیگری از مشکلات و شکایات. با این حال، ممکن است برای نتایج بهینه نیاز به استفاده از آزمون و خطا با وئو باشد.

واکنش‌ها

گزارشگری برای گیزمودو نسبت به انتشار وئو ۳ واکنش نشان داد و مشاهده کرد که کاربران مدل را به سمت تولید محتوای با کیفیت پایین هدایت می‌کردند، مانند مصاحبه‌های مردی در خیابان یا ویدئوهای خرید (haul videos) از افرادی که محصولات را جعبه‌گشایی می‌کنند. مفسر رسانه‌ای دیگری گزارش داد که این ابزار تمایل دارد همان جوک را در پاسخ به دستورالعمل‌های مختلف تکرار کند.

مفسران حدس می‌زدند که گوگل این سرویس را با ویدئوهای یوتیوب یا پست‌های ردیت آموزش داده است. خود گوگل منبع محتوای آموزشی خود را اعلام نکرده بود.

در ژوئیه ۲۰۲۵، مدیا مترز فور آمریکا گزارش داد که ویدئوهای نژادپرستانه و یهودستیزانه تولیدشده با استفاده از وئو ۳ در تیک‌تاک بارگذاری می‌شوند. رایان ویتوام از آرز تکنیکا اظهار داشت: «در یک دنیای کامل، وئو ۳ از ساخت این ویدئوها خودداری می‌کرد، اما ابهام در دستورالعمل و ناتوانی هوش مصنوعی در درک ظرافت‌های استعاره‌های نژادپرستانه (یعنی استفاده از میمون‌ها به جای انسان‌ها در برخی ویدئوها) دور زدن قوانین را آسان می‌کند.»

جستارهای وابسته

• سورا (مدل متن‌به‌ویدئو)
• دریم ماشین (مدل متن‌به‌ویدئو)

پیوند به بیرون

• وبگاه رسمی
• معرفی وئو ۳٫۱ و قابلیت‌های پیشرفته در فلو