← Каталог

· AI Engineer Europe 2026

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 →

Похожие доклады