Yapay Zeka Videolarında Karakter Neden Değişiyor? Zamansal Tutarlılık

İlk kare kusursuz. İkinci saniyede yüzde bir şey oynuyor. Üçüncüde ceketin düğmesi kayboluyor, arkadaki tabelanın yazısı başka bir şeye dönüşüyor.

Bu, video üretiminin en tanımlayıcı kusuru ve rastgele bir aksaklık değil. Sistemin nasıl çalıştığından doğrudan çıkıyor — ve nereden çıktığını bilmek, onu yönetmenin tek yolu.

Problemi tek cümlede kurmak

Görsel üretiminde model tek bir soruyu cevaplıyor: “bu cümleye uyan bir görüntü nasıl olurdu?”

Videoda ikinci bir soru ekleniyor ve asıl zorluk orada: “bu görüntü, bir öncekinin devamı nasıl olur?”

İkisi çelişebiliyor. Model her kare için “bu cümleye en uyan görüntü”yü üretmeye çalışırsa kareler birbirini tutmaz — her biri kendi başına doğru, art arda konduğunda titreyen bir dizi çıkar. Tersine, her kareyi bir öncekine fazla bağlarsa hareket ölür; görüntü donuklaşır.

Zamansal tutarlılık, bu iki baskı arasındaki denge. Ve denge her karede yeniden kuruluyor, bir kez kurulup sabitlenmiyor.

Bozulma neden birikiyor?

Kritik nokta şu: her kare, bir öncekinin üstüne kuruluyor.

Bir karede küçük bir sapma olduğunda o sapma düzeltilmiyor — sonraki karenin dayanağı hâline geliyor. İkinci kare, birincinin sapmış hâlini “doğru” kabul edip onun devamını üretiyor. Üçüncü, ikinciyi.

Sonuç, hatanın doğrusal değil bileşik büyümesi. İlk saniyede fark edilmeyen bir kayma, dördüncü saniyede karakteri tanınmaz hâle getirebiliyor.

Bu, iki pratik sonucu doğrudan açıklıyor:

Kısa klip daha güvenilir. Üç saniyelik dört klip, on iki saniyelik tek klipten belirgin biçimde temiz çıkıyor. Sebep kalite farkı değil, birikmeye zaman bulamaması. → Yapay Zeka ile Video Oluşturma: Prompt'tan Çıktıya İş Akışı

Bozulma sona doğru artıyor. Bir klibi izlerken ilk yarısı iyi, ikinci yarısı bozuksa bu tesadüf değil, mekanizmanın imzası.

Model geçmişi ne kadar hatırlıyor?

Buraya kadar “her kare bir öncekinin üstüne kuruluyor” dedik. Asıl soru şu: kaç önceki?

Cevap, tutarlılık probleminin merkezinde duruyor. Model sınırlı bir pencereye bakıyor — geçmişin tamamına değil, yakın geçmişe. Klip uzadıkça başlangıç o pencerenin dışında kalıyor.

Sonucu şu: ilk kare, on dördüncü kareye artık dayanak değil. On dördüncü kare, on üçüncüye bakıyor; o da on ikinciye. Zincir kopmuyor ama uzuyor, ve uzun bir zincirde baştaki bilgi seyreliyor.

Bu, iki gözlemi birden açıklıyor.

Neden kimlik yavaşça kayıyor da birden bozulmuyor? Çünkü her kare bir öncekine sadık; kimse büyük bir sıçrama yapmıyor. Sapma küçük ama tek yönlü olduğu için toplamı büyük.

Neden bazı araçlar referans kare istiyor? Çünkü pencere sorununun bilinen tek karşı hamlesi bu: başlangıç karesini her kareye dayanak olarak vermek, yalnızca ilkine değil. Böylece on dördüncü kare de kime benzeyeceğini biliyor. Bu, bozulmayı azaltıyor ama bedeli var — sahne başlangıç karesine fazla bağlanınca hareket kısıtlanıyor. Yine aynı ödünleşim.

Somut örnek: dört saniyelik bir klip

Bir kişinin pencereden dışarı baktığı dört saniyelik bir klip düşünün.

İlk saniye. Başlangıç karesi neyse ona çok yakın. Yüz, kıyafet, ışık yerinde.

İkinci saniye. Ceketin dokusu hafifçe değişti, arkadaki kitaplıkta bir kitabın sırtı başka renge kaydı. Fark edilmiyor.

Üçüncü saniye. Yüz hâlâ “aynı kişi” gibi ama burun biraz daralmış, saç çizgisi oynamış. Tek kareye bakan fark etmez; ilk kareyle yan yana koyan eder.

Dördüncü saniye. Kitaplıktaki kitap sayısı değişmiş, pencerenin çerçevesi hafif eğrilmiş.

Hiçbir karede “hata” yok — her biri kendinden öncekinin makul devamı. Hatanın tamamı ilk ve son kare arasında görünüyor. Bu yüzden bir klibi değerlendirirken izlemek yetmiyor; baş ve son kareyi yan yana koymak gerekiyor.

Ne önce bozulur? Bozulma sırası

Her şey aynı anda bozulmuyor. Tekrar eden bir sıra var ve bu sıra, neyin ne kadar sağlam öğrenildiğiyle ilgili. → Yapay Zeka Görsellerinde Tekrar Eden Hatalar — ve Hangisi Düzelir

Önce ince ayrıntı gider. Yazı, desen, takı, düğme, arka plandaki küçük nesneler. Bunlar zaten görselde en zayıf öğrenilen şeyler; videoda ilk kaybedilenler de onlar.

Sonra kimlik kayar. Yüz hatları yavaşça değişir. Kişi hâlâ “bir insan”dır ve hâlâ benzer görünür, ama aynı kişi değildir. Bu en sinsi olanı, çünkü tek bir karede fark edilmiyor — ancak baş ve son karşılaştırıldığında görülüyor.

Sonra nesne sayısı ve konumu oynar. Elde tutulan bir şey kaybolur, ikinci bir nesne belirir, arka plandaki bir sandalye yer değiştirir.

En son yapı bozulur. Duvarın açısı, masanın perspektifi, zeminin çizgisi. Bunlar en geç bozulan şeyler çünkü sahnenin iskeletini oluşturuyorlar ve model onlara en çok bağlanıyor.

Bu sıra pratikte bir tanı aracı: klipte önce ne bozulduğuna bakarak ne kadar zorladığınızı anlarsınız. Yalnızca ayrıntı gittiyse sınırdasınız; kimlik kaydıysa çoktan aşmışsınız.

Hareket ne kadar zorlarsa o kadar bozuluyor

Bozulmanın hızını belirleyen tek en büyük etken sahnedeki değişim miktarı.

Sabit kamera + sabit özne, en kolay durum: kareler arasında değişecek çok az şey var. Model neredeyse aynı görüntüyü tekrar üretiyor ve tutarlılık kendiliğinden geliyor.

Hareket eklendikçe zorluk artıyor ve şu sırayla:

Son satır önemli: bir öznenin dönmesi — arkasını dönüp geri dönmesi gibi — en kırılgan durum. Model o sırada yüzü göremediği için, geri döndüğünde onu yeniden uydurmak zorunda kalıyor. Çıkan yüz genellikle başka bir yüz oluyor.

Neden tam çözülemiyor?

Çünkü sorun bir hata değil, bir ödünleşim.

Modeli tutarlılığa doğru zorlarsanız hareket sönüyor: görüntü donuk, mekanik, “kayan bir fotoğraf” gibi oluyor. Serbest bırakırsanız hareket canlanıyor ama kimlik kayıyor. İkisini birden azamiye çıkaran bir ayar yok — bant boyunca bir yer seçiliyor.

Bu, kusurun ürüne değil probleme ait olduğu anlamına geliyor. Araçlar bandın farklı yerlerinde duruyor ve zamanla iyileşiyorlar, ama ödünleşimin kendisi duruyor.

Aynı sebeple, “bir sonraki sürümde düzelir” beklentisi kısmen doğru kısmen yanlış: bant iyileşiyor, ödünleşim kalkmıyor.

Bandın tutarlılık ucunun neye benzediğini görmek bunu somutlaştırıyor. Fazla tutarlı bir klipte karakter hiç değişmiyor — ama yürürken ayakları zemine basmıyor, saçı hareket etmiyor, kıyafeti gövdeyle birlikte kıvrılmıyor. Görüntü kaymıyor, kayıyormuş gibi duruyor: bir fotoğrafın üstünden geçen kamera hissi.

İzleyici bunu “yapay” diye adlandırıyor ama fark ettiği şey bozulma değil, bozulmanın yokluğu. Gerçek hareket küçük tutarsızlıklar üretir; hiç üretmeyen bir görüntü cansız görünür.

Bu yüzden “en tutarlı çıktı en iyi çıktı” değil. Aranan şey, kimliğin korunduğu ama hareketin yaşadığı bir aralık — ve o aralık sahneye göre değişiyor. Yürüyen bir figürde biraz tutarsızlık doğaldır; konuşan bir yüzde aynı miktar kabul edilemez.

Bununla nasıl yaşanır?

Bu yazı çözüm yazısı değil — çözüm iş akışında. Ama mekanizmadan doğrudan çıkan dört sonuç var:

Kısa üretin. Bozulma zamanla biriktiği için en ucuz önlem süreyi kısmak.

Tek hareket verin. Kamera ve özne aynı anda hareket ettiğinde iki değişim üst üste biniyor.

Dönüşten kaçının. Yüzün kadrajdan çıkıp geri gelmesi, kimliğin en sık kaybedildiği an.

Başlangıç karesini sabitleyin. Metinden değil görselden başlamak, en azından ilk karenin sizin olmasını sağlıyor. → Yapay Zeka ile Video Oluşturma: Prompt'tan Çıktıya İş Akışı

Süreyi ihtiyaca göre değil sahneye göre seçin. Aynı saniye sayısı her sahnede aynı riski taşımıyor: sabit kamerayla duran bir nesne uzun tutulabilirken, konuşan bir yüz aynı sürede tanınmaz hâle gelebiliyor. Sahne ne kadar hareketliyse klip o kadar kısa olmalı — bu, planlamada süreyi sabit kabul etmemek anlamına geliyor.

Sınırlar

Bu bir kusur listesi değil, bir mekanizma anlatımı. Bugün hangi aracın ne kadar tuttuğu ayrı bir sorunun konusu. → Ücretsiz Yapay Zeka ile Video Oluşturma: Bugün Gerçekten Ne Alıyorsunuz?

Bozulma sırası kesin değil. Yukarıdaki sıra tekrar eden bir kalıp, bir kural değil. Sahneye göre atlamalar olabiliyor.

Ödünleşim ilerlemeyi engellemiyor. Bandın iyileşmesi gerçek; bu yazı “düzelmez” demiyor, “sıfırlanmaz” diyor.

Özet

Video üretiminde model iki soruyu birden cevaplamak zorunda: görüntü cümleye uysun ve bir öncekinin devamı olsun. İkisi çelişiyor ve denge her karede yeniden kuruluyor.

Her kare bir öncekinin üstüne kurulduğu için sapma düzeltilmiyor, birikiyor — bu yüzden kısa klipler temiz, uzun klipler bozuk çıkıyor.

Bozulmanın bir sırası var: önce ince ayrıntı, sonra kimlik, sonra nesne konumu, en son yapı. Klipte önce ne bozulduğuna bakarak ne kadar zorladığınızı anlayabilirsiniz.

Sorun bir hata değil ödünleşim: tutarlılığı artırmak hareketi söndürüyor. Bu yüzden iyileşiyor ama sıfırlanmıyor.

Sık sorulanlar

İlgili yazılar