AI Pulse

گوگل همچنین از مدل جدید تولید تصویر خودش با نام Imagen 4 رونمایی کرده؛ مدلی که به گفته‌ی گوگل نسبت به نسخه‌ی قبلی یعنی Imagen 3 تصاویر دقیق‌تر و با کیفیت‌تری تولید می‌کنه.

این مدل توانایی رندر کردن جزئیاتی مثل بافت پارچه، قطره‌های آب و موی حیوانات رو داره و می‌تونه هم تصاویر فوتورئالیستی و هم آثار انتزاعی بسازه، اون‌هم در نسبت‌های مختلف تصویر و با وضوح تا 2K.

به گفته‌ی گوگل، Imagen 4 نه‌تنها از لحاظ کیفیت یه جهش بزرگ حساب می‌شه، بلکه در تولید متن و تایپوگرافی هم بهبودهای مهمی داشته؛ چیزی که باعث می‌شه برای ساخت اسلاید، کارت دعوت یا هر چیزی که ترکیب متن و تصویر نیاز داره، گزینه‌ی مناسبی باشه. گوگل وعده داده که نسخه‌ای از این مدل رو به‌زودی منتشر می‌کنه که تا ۱۰ برابر سریع‌تر از Imagen 3 عمل می‌کنه.

این مدل از امروز روی اپلیکیشن Gemini، پلتفرم‌های Whisk و Vertex AI و همچنین ابزارهای Google Workspace مثل اسلایدز، ویدز و داکس در دسترس قرار گرفته.

@aipulse24

گوگل داره یه قابلیت جدید رو تست می‌کنه که بهتون اجازه می‌ده عکس تمام‌قد خودتونو آپلود کنین تا ببینین لباس‌هایی مثل شلوار، پیراهن یا دامن چطوری تنتون می‌شینن. این ویژگی با کمک یه مدل هوش مصنوعی کار می‌کنه که «بدن انسان و جزئیات لباس» رو درک می‌کنه.

گوگل همچنین قراره به‌زودی امکان خرید در حالت AI Mode رو هم فعال کنه و از یه قابلیت جدید به اسم «agentic checkout» رونمایی کنه که می‌تونه خودش به‌جای شما خرید انجام بده.

@aipulse24

گوگل میت یه قابلیت جدید اضافه کرده که می‌تونه حرف‌های شما رو تقریباً به‌صورت لحظه‌ای به زبون ترجیحی طرف مقابل ترجمه کنه.

فعلاً این قابلیت فقط از زبان‌های انگلیسی و اسپانیایی پشتیبانی می‌کنه و به‌صورت بتا برای مشترکای پلن‌های Google AI Pro و Ultra فعال شده.

@aipulse24

گوگل در ادامه از یه ابزار جدید به اسم «Stitch» رونمایی کرده؛ ابزاری مبتنی بر هوش مصنوعی که می‌تونه با استفاده از یه توضیح ساده و انتخاب یه تم، رابط کاربری تولید کنه.

کاربرا می‌تونن برای هدایت بهتر خروجی Stitch از وایرفریم‌ها، اسکچ‌ها و حتی اسکرین‌شات‌هایی از رابط‌های دیگه استفاده کنن. این ابزار فعلاً به‌صورت آزمایشی از طریق Google Labs در دسترسه.

stitch.withgoogle.com

@aipulse24

گوگل داره دستیار هوش مصنوعیش رو مستقیماً به مرورگر کروم اضافه می‌کنه. از ۲۱ مه، کاربرای پلن‌های Pro و Ultra می‌تونن با زدن دکمه‌ی Gemini توی کروم، ازش بخوان محتوای صفحات وب رو براشون خلاصه یا شفاف‌سازی کنه، یا حتی به‌جاشون تو سایت‌ها بچرخه.

فعلاً این قابلیت فقط با دو تب به‌طور هم‌زمان کار می‌کنه، ولی گوگل گفته که قراره تا آخر امسال پشتیبانی از تب‌های بیشتر رو هم بهش اضافه کنه.

@aipulse24

پروژه‌ی «Astra» قبلاً هم می‌تونست از دوربین گوشی برای دیدن اشیای اطراف استفاده کنه، اما حالا تو نسخه‌ی جدیدش، این مدل می‌تونه حتی بدون اینکه مستقیم ازش چیزی بخواین، بعضی کارها رو به‌جای شما انجام بده.

توی ویدیوی بالا ببینید که چطوری با بهره گرفتن از منابع متعدد به کاربر کمک میکنه تا دوچرخه‌ش رو تعمیر کنه.

@aipulse24

جمنای ۲.۵ پرو حالا یه حالت جدید به اسم «تفکر عمیق» اضافه کرده که برای سوال‌های پیچیده مخصوصاً تو حوزه‌ی ریاضی و برنامه‌نویسی طراحی شده. این حالت آزمایشی می‌تونه قبل از پاسخ دادن، چند تا فرضیه‌ی مختلف رو بررسی کنه. البته فعلاً فقط برای یه تعداد تستر مورد اعتماد فعال می‌شه.

هم‌زمان، گوگل مدل سبک‌تر و سریع‌تر جمینی ۲.۵ فلش رو هم برای همه‌ی کاربرا توی اپ جمینی فعال کرده. قراره این مدل که بهینه‌تر و مقرون‌به‌صرفه‌تره، به‌زودی با یه‌سری بهبود جدید از طریق Google AI Studio به شکل گسترده‌تر عرضه بشه.

@aipulse24

گوگل علاوه‌بر به‌روزرسانی مدل‌های هوش مصنوعیش، از یه اپلیکیشن جدید فیلم‌سازی با هوش مصنوعی به اسم «Flow» رونمایی کرده. این ابزار با استفاده از مدل‌های Veo، Imagen و Gemini می‌تونه کلیپ‌های هشت‌ثانیه‌ای بسازه؛ فقط کافیه یه متن یا تصویر بهش بدین.

اپ Flow ابزارهایی برای ساخت صحنه هم داره که به کاربرا اجازه می‌ده این کلیپ‌ها رو به هم وصل کنن و ویدیوهای بلندتری با کمک هوش مصنوعی تولید کنن.

@aipulse24

گوگل همچنین از نسخه‌ی جدید مدل تولید ویدئوش یعنی Veo 3 رونمایی کرده؛ مدلی که حالا می‌تونه علاوه‌بر ساخت ویدیو، صداهایی مثل افکت صوتی، صدای محیط و حتی دیالوگ رو هم بسازه و با ویدیو همگام کنه.

دمیس هاسابیس، مدیرعامل دیپ‌مایند گفته Veo 3 ما رو از «دوران ویدیوی بی‌صدا» بیرون آورده. کاربرا می‌تونن با یه پرامپت ساده، صحنه و شخصیت‌ها رو توصیف کنن و حتی بگن دیالوگ‌ها چه جوری صدا بده.

گوگل می‌گه یکی از تفاوت‌های اصلی Veo 3 با مدل‌های دیگه، مثل Runway، Pika یا OpenAI، قابلیت تولید و هم‌زمان‌سازی خودکار صدا با تصویر براساس پیکسل‌های خام ویدیوئه. این توانایی می‌تونه برگ برنده‌ای برای گوگل باشه تو بازاری که حالا دیگه حسابی شلوغ شده. با اینکه ابزارهای تولید صدا با هوش مصنوعی قبلاً معرفی شده بودن، Veo 3 با درک عمیق‌تر از تصویر، یه قدم جلوتره.

گفته می‌شه دیپ‌مایند برای ساخت این مدل از پژوهش‌های قبلیش تو زمینه «ویدیو به صدا» استفاده کرده؛ و البته احتمالش زیاده که یوتیوب هم یکی از منابع آموزشی این مدل بوده باشه.

در کنار معرفی Veo 3، گوگل یه‌سری قابلیت جدید هم برای Veo 2 فعال کرده. حالا کاربرا می‌تونن عکس‌هایی از کاراکترها، صحنه‌ها یا سبک بصری بدن تا خروجی ویدیوها یک‌دست‌تر بشه. Veo 2 همچنین حرکات دوربین مثل چرخش یا زوم رو هم بهتر درک می‌کنه و امکان حذف یا اضافه‌کردن اشیا تو ویدیو یا تغییر قاب از پرتره به منظره رو فراهم کرده. این امکانات قراره به‌زودی از طریق پلتفرم Vertex AI گوگل در اختیار توسعه‌دهنده‌ها هم قرار بگیره.

مدل Veo 3 فعلاً فقط برای مشترکای پلن AI Ultra با قیمت ۲۴۹.۹۹ دلار در ماه از طریق چت‌بات Gemini در دسترسه.

@aipulse24

گوگل اعلام کرده که از این هفته، تب جدیدی به اسم «AI Mode» رو برای همه‌ی کاربراش توی آمریکا فعال می‌کنه؛ تب جدیدی که به کاربرا اجازه می‌ده با استفاده از چت‌بات Gemini، توی وب جست‌وجو کنن.

گوگل قراره تابستون امسال یه‌سری قابلیت جدید رو توی این حالت آزمایش کنه؛ مثل «جست‌وجوی عمیق» و ساخت نمودار برای سوالات مربوط به اقتصاد و ورزش. امکان خرید از طریق AI Mode هم قراره توی ماه‌های آینده فعال بشه.

@aipulse24