वीडियो प्रसार में हालिया प्रगति उल्लेखनीय उच्च-निष्ठा पीढ़ी प्रदर्शित करती है, लेकिन क्लिप को सुसंगत लंबी कहानी इंजन में बदलना चुनौतीपूर्ण बना हुआ है। अधिकांश मौजूदा एजेंटिक पाइपलाइन स्वतंत्र, हस्तनिर्मित प्रॉम्प्टिंग के कारण सिमेंटिक ड्रिफ्ट और कैस्केडिंग विफलताओं से पीड़ित हैं, जिसके लिए अक्सर व्यापक मैनुअल हस्तक्षेप की आवश्यकता होती है। मौजूदा तरीकों को भी फीचर ड्रिफ्ट और सामग्री पतन का सामना करना पड़ता है।

आज, हम अपने शोध का परिचय देते हैं जो एक एआई वीडियो सह-निर्देशक पर है, एक एकीकृत, बहु-एजेंट फ्रेमवर्क जो मल्टी-शॉट कथाओं में दृश्य निरंतरता की स्पष्ट रूप से योजना बनाता है। Gemini और Veo के शीर्ष पर एक ऑर्केस्ट्रेशन परत के रूप में निर्मित, यह फ्रेमवर्क Synth ID वॉटरमार्किंग जैसे सुरक्षा तंत्र को मूल रूप से विरासत में लेता है। हमने फ्रेमवर्क विकसित किए हैं — Co-Director (COLM 2026 में प्रस्तुत होगा), CANVAS (EMNLP 2026 में प्रस्तुत होगा), A²RD, और VQQA — जो उच्च-स्तरीय मानव रचनात्मक विशिष्टता को निष्पादन में अनुवाद करते हैं।

ये फ्रेमवर्क उत्तरदायी रचनात्मक भागीदारों के रूप में कार्य करते हैं जो दृश्य निरंतरता बनाए रखने के बोझ को अमूर्त करते हैं। व्यापक मूल्यांकनों में, हमारा फ्रेमवर्क मल्टी-शॉट कथा स्थिरता और चरित्र दृढ़ता में पर्याप्त लाभ प्रदर्शित करता है, सफलतापूर्वक मिनटों-लंबे वीडियो उत्पन्न करता है जबकि दृश्य ड्रिफ्ट और पाइपलाइन त्रुटि प्रसार को कम करता है।

सिमेंटिक सुसंगतता सुनिश्चित करने के लिए, हम एआई वीडियो सह-निर्देशक प्रस्तुत करते हैं, एक पदानुक्रमित बहु-एजेंट फ्रेमवर्क जो वीडियो कहानी कहने को वैश्विक अनुकूलन समस्या के रूप में औपचारिक रूप देता है। यह ऊपर-से-नीचे स्टीयरिंग सुनिश्चित करता है कि पूरी पाइपलाइन एक एकीकृत दृष्टि के तहत संचालित हो, Gemini और Veo मॉडल में संरचित प्रॉम्प्ट फीड करती है।

प्रमुख संस्थाएं: कंपनियां: Google