Higgsfield: ویدئوی هوش مصنوعی از ۱ دقیقه به بیش از ۱۰ دقیقه

Higgsfield AI⁠(در یک پنجره جدید باز می‌شود) می‌خواهد هر کسی که ایده‌ای دارد، بتواند ویدئو و تصویر حرفه‌ای بسازد. پیش از GPT‑6 Astra، مدت این ویدئوها حداکثر حدود یک دقیقه بود. اکنون، به‌گفتهٔ الکس مشرابوف، مدیرعامل و هم‌بنیان‌گذار شرکت، کاربران می‌توانند ویدئوهایی با مدت بیش از ۱۰ دقیقه بسازند.

ساخت ویدئوهای طولانی‌تر تنها یکی از راه‌هایی است که Higgsfield AI به تیم‌های خلاق کوچک‌تر کمک می‌کند پروژه‌های بلندپروازانه‌تری را بر عهده بگیرند. به‌گفتهٔ الکس، با مدل‌هایی مثل GPT‑6 Astra و GPT‑Image‑2.5، حالا یک تولیدکنندهٔ محتوا به‌تنهایی می‌تواند کمپین‌های مد در سطح حرفه‌ای را از ابتدا تا انتها اجرا کند.

عامل‌های خلاق Higgsfield AI کارهای تکراری تولید، مانند ساخت نسخه‌های مختلف از یک نما، را بر عهده می‌گیرند. با GPT‑6 Astra، این عامل‌ها می‌توانند ابزارهای خارجی را هم فراخوانی کنند تا کارهای پیچیده و دستی مدل‌سازی سه‌بعدی را انجام دهند. الکس می‌گوید این قابلیت به حل یکی از دشوارترین مسائل هوش مصنوعی در کارهای خلاقانه کمک می‌کند: حفظ یکپارچگی در سراسر ویدئوهای طولانی‌تر.

نتیجه را می‌توان در کانال یوتیوب خود Higgsfield AI دید؛ کانالی که به‌گفتهٔ الکس نزدیک به نیم میلیون مشترک دارد. این کانال به فعالان حوزه‌های خلاق آموزش می‌دهد چگونه از مدل‌ها و گردش‌کارهای هوش مصنوعی استفاده کنند. قبلاً تولید این محتوا در Higgsfield AI به کار دستی زیادی نیاز داشت. اما حالا این تیم با GPT‑6 Astra گردش‌کاری ساخته است که از هوش مصنوعی برای تولید ویدئوهای آموزشی با مدت بیش از ۱۰ دقیقه استفاده می‌کند.

امکان ساخت ویدئوهای آموزشی طولانی‌تر برای خود الکس هم اهمیت شخصی دارد. او از مدارس روستایی قزاقستان حمایت می‌کند و از اقدامی اولیه می‌گوید که در آن از درک بصری GPT‑6 Astra برای شناسایی مباحثی که دانش‌آموزان احتمالاً در آن‌ها مشکل دارند و ساخت ویدئوهای متناسب با نیازهای یادگیری آن‌ها استفاده می‌شود.

برای کسب‌وکارهای کوچکی که محتوای تبلیغاتی تولید می‌کنند، متن خوانا و اینفوگرافیک دقیق می‌تواند به‌اندازهٔ خود تصویر اهمیت داشته باشد. الکس می‌گوید GPT‑Image‑2.5 تولید چنین محتوایی را برای کسب‌وکارهایی که بودجهٔ تولید بالایی ندارند، ممکن می‌کند.

او می‌گوید: «GPT‑Image‑2.5 در مرز پیشرفت فناوری است و نخستین مدل در نوع خود است که می‌تواند متن و اینفوگرافیک را با دقتی قابل‌اتکا روی تصاویر ترسیم کند.»

Higgsfield AI محصول خود را با همکاری نزدیک حدود ۲۰۰ نیروی خلاق و ۱۰۰ مهندس می‌سازد. الکس می‌گوید Codex به تیم خلاق «توان یک مهندس نرم‌افزار بسیار قوی» را می‌دهد.

نیروهای خلاق با استفاده از Codex ایده‌هایشان را به نمونه‌های اولیهٔ نرم‌افزار تبدیل می‌کنند. قبلاً، تبدیل این نمونه‌های اولیه به محصول عملیاتی به مشارکت گستردهٔ مهندسان فرانت‌اند و بک‌اند نیاز داشت. حالا، به‌گفتهٔ الکس، GPT‑6 Astra حجم کار لازم برای پیاده‌سازی این ایده‌ها در محصول را کاهش می‌دهد.

الکس می‌گوید با هموارتر شدن مسیر از نمونه‌سازی تا تولید، Higgsfield AI می‌تواند محصولات بهتری را سریع‌تر توسعه دهد و عرضه کند.

در گام بعدی، Higgsfield AI می‌خواهد تولیدکنندگان محتوا بتوانند ایده‌ای را شرح دهند و هم‌زمان با صحبت کردن، شکل گرفتن آن را ببینند. الکس این چشم‌انداز را «از صدا به فیلم» می‌نامد؛ هوش مصنوعی منظور تولیدکنندهٔ محتوا را از گفته‌هایش درک می‌کند و همان لحظه تصور او را به تصویر می‌کشد.

او معتقد است پیشرفت‌های OpenAI در برنامه‌ریزی، فراخوانی ابزار، تولید تصویر و صدا، تحقق این تجربه را نزدیک‌تر می‌کند. او مدل صوتی OpenAI را «بهترین در ردهٔ خود، هم برای درک گفتار و هم برای ارتباط عادی» توصیف می‌کند.

هدف بلندپروازانهٔ Higgsfield AI این است که ساخت فیلم بیشتر شبیه شرح دادن یک ایده باشد و هوش مصنوعی بخش بیشتری از کارهای بین این دو را انجام دهد.