Отрываемся с GenMedia
Let's go Bananas with GenMedia
Модели генерации медиа дают согласованный результат, когда промпты для них пишет Gemini по всему тексту книги, а не человек вручную.
- Вся книга в контексте — Gemini получает текст целиком и возвращает структурированный вывод: название главы, список персонажей и промпт. Опорные изображения персонажей подаются только в те главы, где они появляются, что удерживает внешний вид героев между кадрами.
- Видео с отдельным промптом — если отдать Veo тот же промпт, что и для картинки, озвучиваться может не тот персонаж. По словам спикера, помогло отдельное задание Gemini: описать, что происходит в следующие секунды после первого кадра.
- Голоса из одной модели — в сценарии TTS каждой реплике задаётся манера речи в скобках, и один голос звучит как разные персонажи. Спикер при этом отметил, что для продакшена сценарий лучше строить с именами и отдельным промптом на каждого персонажа.
- Музыка только текстом — у Lyria нет параметров: длительность, тональность, BPM и структура песни задаются в промпте. По словам спикера, клип на 30 секунд стоит около четырёх центов, песня до трёх минут около восьми.
Кому полезно: тем, кто собирает пайплайн иллюстраций, видео или озвучки поверх Gemini API и хочет связать несколько медиамоделей в один сценарий.
Статья по теме
Главы
Ещё доклады: Guillaume Vernade
Страница спикера →Создание и запуск приложений на базе ИИ
Paige Bailey, Ian Ballantyne, Guillaume Vernade
AI Engineer Europe 2026
Похожие доклады
Подготовка данных и fine-tuning модели синтеза речи
AI Engineer World's Fair 2025
Близко по содержанию
Современное состояние генеративных медиа
AI Engineer World's Fair 2025
Близко по содержанию
Агент, ты меня слышишь? Создаём голосовых агентов в реальном времени с Gemini
AI Engineer World's Fair 2026
Близко по содержанию

