John Heibel यांनी त्यांच्या संगीत व्हिडिओमागील प्रकल्प फाइल्स प्रसिद्ध केल्या आहेत. Claude Opus 5.5 ने त्याची स्टोरीबोर्ड आणि JavaScript अ‍ॅनिमेशन लिहिल्याचे ते सांगतात. ब्राउझरमध्ये फ्रेम्स काढल्या जातात आणि आधीपासून असलेल्या गाण्यासोबत ffmpeg वापरून त्या जोडल्या जातात, असे फाइल्स दाखवतात. तयार व्हिडिओ YouTube वर आहे.

निर्मात्यांच्या पोस्टमध्ये नोंदलेले हे उदाहरण Opus 5.5 च्या 22 सप्टेंबरच्या प्रकाशनानंतरचेआहे. Claude ने व्हिडिओ बनवला याचा अर्थ दृश्ये लिहून रेंडरिंग कोड तयार केला असा असू शकतो; व्हिडिओ मॉडेलप्रमाणे थेट हलत्या प्रतिमा तयार केल्या असा नाही. क्लिपचा किती भाग मॉडेलने तयार केला आणि किती संगीत, साधने व मानवी दिग्दर्शनावर अवलंबून होता हे ठरवताना हा फरक महत्त्वाचा आहे.

मोठा बदल

  • काय बदलले: निर्माते AI कोडिंग एजंट वापरून सॉफ्टवेअर प्रकल्पांच्या स्वरूपात अ‍ॅनिमेशन तयार करतात आणि त्याचे व्हिडिओ म्हणून रेंडरिंग करतात. अशी एक कार्यपद्धती दाखवणारा कोड आणि पुन्हा वापरता येणारा स्टार्टर किट Heibel यांनी प्रकाशित केला आहे.
  • हे का महत्त्वाचे: स्टोरीबोर्ड, दृश्यांच्या फाइल्स आणि रेंडरर यांमुळे क्लिपमागचे काम आणि बाहेरून पुरवलेले घटक दिसतात. तयार क्लिपवरून श्रमांची ही विभागणी समजत नाही.
  • काय अनिश्चित आहे: सार्वजनिक उदाहरणांवरून नेहमीचा उत्पादनकाल, खर्च, यशाचे प्रमाण किंवा दुसऱ्या निर्मात्याला तितकीच गुणवत्ता सहज मिळेल का हे ठरत नाही. BIG CHANGE ने दोन्ही प्रकल्पांची पुनर्निर्मिती केलेली नाही.

P(doom) प्रकल्पात नेमके काय आहे

हा व्हिडिओ Claude Code मध्ये दोन पिढ्यांमध्ये तयार केल्याचे Heibel सांगतात. पहिल्या टप्प्यात Opus 5.5 चा मध्यम प्रयत्न-स्तर वापरला; त्यानंतर दुसऱ्या फेरीत p5 ब्रशस्ट्रोक, अधिक रोचक दृश्ये आणि प्रत्येक दृश्याचा पुढच्याशी संबंध यांची सूचना त्यांनी दिली. रिपॉझिटरीतील नोंदीनुसारत्यांनी प्रत्येक दृश्याची स्वतंत्र कल्पना सांगितली नाही; मात्र Clawd पात्र निश्चित केले आणि प्रत्येक गीतओळीला वेगळे दृश्यरूप द्यायला सांगितले.

तयार प्रकल्पात प्रत्येक शॉटचा स्टोरीबोर्ड, उपएजंटना सूचना देणारा अ‍ॅनिमेशन मार्गदर्शक, नऊ प्रकरणांच्या फाइल्स, सामायिक पात्र व कालरेषा कोड आणि p5.js व p5.brush ने रंगवलेले studio.html पृष्ठावर p5.js आणि p5.brush वापरून चित्रे रंगवली आहेत. रेंडर स्क्रिप्ट headless Chrome मध्ये फ्रेम्स टिपते आणि ffmpeg वापरून MP4 बनवते. रिपॉझिटरीत आधीच्या रेकॉर्डिंगला श्रेय दिलेले गाणे ऑडिओ फाइल म्हणून आहे; ते Opus 5.5 ने रचल्याचा दावा नाही. प्रेरणेसाठी Heibel यांनी आधीच्या X पोस्टलाही श्रेय दिले आहे.

Heibel यांनी नंतर Claude Animation Baseनावाचा स्टार्टर किटही प्रकाशित केला. त्यात पात्रांच्या फाइल्स, मार्गदर्शक, ब्राउझर स्टुडिओ आणि रेंडर स्क्रिप्ट्स आहेत. सुरुवातीची सुचवलेली विनंती म्हणजे 15 सेकंदांचा Clawd कार्टून. एजंट स्टोरीबोर्ड बनवतो, शॉट्स तयार करतो आणि MP4 लिहिण्यापूर्वी संपर्क-पत्रके तपासतो, असे README सांगते; Node.js, Chrome आणि ffmpeg आवश्यक आहेत. विशेष GPU नसल्यास जलरंग भरण्यासाठी प्रत्येक फ्रेमला काही सेकंद लागू शकतात, असे Heibel सांगतात.

आणखी एका संगीत व्हिडिओत मानवी दिग्दर्शन स्पष्ट दिसते

Joshua Ledbetter चा Functional Emotions प्रकल्प उपयुक्त तुलना देतो. जुन्या Claude मॉडेलने गाण्याचे शब्द लिहिले आणि Suno ने ध्वनिमुद्रण तयार केले, असे निर्माते सांगतात. त्यानंतर Claude Code मधील Opus 5.5 ने व्हिडिओ प्रकल्प लिहिला. Ledbetter यांनी पहिली गीत-व्हिडिओ मांडणी नाकारली, अधिक प्रभावी दृश्ये आणि वेळेचे नियोजन मागितले व दृश्यांचा वेग ठरवण्यासाठी Heibel च्या P(doom) व्हिडिओचा संदर्भ दिला. रिपॉझिटरीत नाकारलेली आवृत्ती, सुधारित स्टोरीबोर्ड, प्रकरणांचा कोड आणि ऑफलाइन रेंडरर आहेत. सात उपएजंट्सनी नंतरची प्रकरणे रंगवली आणि मॉडेलने संपर्क-पत्रकांचे पुनरावलोकन केले, असे त्यात म्हटले आहे.

Ledbetter च्या प्रकल्पात सानुकूल WebGL2 ब्रशस्ट्रोक रेंडरर आहे; बीट ग्रिड आणि शब्दनिहाय वेळ वापरून शॉट्स आधीपासूनच्या गाण्याशी जुळवले आहेत. त्यांचा निर्मात्याने पोस्ट केलेला व्हिडिओ स्रोतासोबत पाहता येतो. प्रसिद्ध निकाल आणि पहिल्या विनंतीमधील सर्जनशील दिग्दर्शन दाखवणाऱ्या सुधारणा नोंदवल्या आहेत. रिपॉझिटरी कोडचे दस्तऐवजीकरण करते; मात्र लेखकत्व किंवा उत्पादनवेळेबाबतची प्रत्येक बाब स्वतंत्रपणे पडताळत नाही.

हा स्वरूप संगीत व्हिडिओंपलीकडेही वापरला जातो. criticasterdotcom नावाने पोस्ट करणाऱ्या निर्मात्याने Headroom चे माहितीपर व्हिडिओ आणि रेंडर केलेल्या दोन आवृत्त्यांची रिपॉझिटरीशेअर केली. फाइल्समध्ये Canvas अ‍ॅनिमेशन आणि ब्राउझरमधून ffmpeg द्वारे निर्यात आहे. स्थानिक Kokoro मॉडेलने निवेदनाचा आवाज, तर नमुना वाद्ये व ध्वनीप्रभावांनी ऑडिओचे काही भाग दिले, असे निर्माते म्हणतात. Opus 5.5 चे सत्र 55 मिनिटांचे होते आणि अतिरिक्त मालमत्ता खर्च नव्हता, असा पोस्टचा दावा; हे आकडे निर्मात्याचे स्वतःचे आहेत, स्वतंत्र मोजमाप नाही.

उदाहरणे पाहा, मग स्रोत तपासा

या प्रकल्पांमुळे निर्मात्यांना संपादन करता येणाऱ्या सॉफ्टवेअर प्रक्रियेतून व्हिडिओ दिग्दर्शित करता येतो. दोन नोंदवलेल्या संगीत व्हिडिओंत Opus 5.5 ने मोठ्या प्रमाणात अ‍ॅनिमेशन कोड लिहिला; मात्र तयार कामात आधीची गाणी, प्रॉम्प्ट्स, संदर्भ आणि मानवी पुनरावलोकनही सहभागी होते.

स्रोत आणि पुढील वाचन

  • Anthropic ची Opus 5.5 घोषणा मॉडेलच्या प्रकाशनाची तारीख आणि कोडिंगवरचा भर सांगते. मूळ व्हिडिओ-निर्मिती सुविधा असल्याचे ती दस्तऐवजीकरण करत नाही.
  • John Heibel ची P(doom) रिपॉझिटरी स्टोरीबोर्ड, प्रकरणांची रचना, रेंडरर आणि दोन टप्प्यांबद्दल तसेच दिलेल्या संगीताबद्दल निर्मात्याची नोंद देते.
  • Claude Animation Base Heibel यांची पुन्हा वापरता येणारी कार्यपद्धती, आवश्यक साधने आणि रेंडरिंगवरील त्यांची नोंद दाखवते.
  • Joshua Ledbetter ची Functional Emotions रिपॉझिटरी दुसरी कोड-आधारित प्रक्रिया, ऑडिओचा स्रोत आणि निर्मात्याने केलेल्या सुधारणांचे दस्तऐवजीकरण करते.
  • Headroom चे अ‍ॅनिमेशन रिपॉझिटरी आणि निर्मात्याची पोस्ट माहितीपर व्हिडिओचे उदाहरण आणि नमूद केलेले ऑडिओ स्रोत देतात. सत्राचा कालावधी व खर्चाचे दावे अपडताळलेले आहेत.