Yapay Zeka Modelleri Statik Fotoğrafları Videoya Dönüştürüyor
26 Ekim 2026 · 2 dk okuma
Yapay zeka modelleri, sabit görüntüleri video kliplere dönüştürerek fotoğrafları canlandırma işlemi gerçekleştirmektedir. Bu süreç, geleneksel animasyonun aksine mevcut pikselleri deforme etmek yerine, orijinal fotoğrafta bulunmayan yeni pikselleri oluşturmayı kapsamaktadır. Modeller; göz kırpan göz kapakları, gülümseyen bir ağız veya başın dönmesiyle ortaya çıkan yüzün gizli kısımları gibi detayları milyonlarca videodan edindiği bilgilerle yeniden kurgulamaktadır.
Teknik olarak bilgisayarlı görünün en zorlu görevlerinden biri olan bu işlem üç aşamada gerçekleşmektedir. İlk aşamada model, kodlayıcılar aracılığıyla fotoğrafı okuyarak sahnenin anlamsal bir betimlemesini oluşturmaktadır. İkinci aşamada, milyonlarca videodan öğrendiği bilgilerle hareketleri tahmin etmekte ve varsa metin komutlarıyla bu hareketleri daraltmaktadır. Son aşamada ise orijinal fotoğrafı bir çapa olarak kullanarak, kişinin tanınabilirliğini ve renk tutarlılığını koruyan kareler üretmektedir.
Fotoğraf canlandırma teknolojileri iki ana sınıfa ayrılmaktadır. İlk sınıf, insan yüzüne odaklanan uzmanlaşmış modellerdir. Bu modeller genellikle konuşan insan videolarıyla eğitilmekte ve bir yönlendirici video veya ses dosyası aracılığıyla kontrol edilmektedir. Kuaishou tarafından geliştirilen LivePortrait, Alibaba tarafından sunulan EMO ile Hallo ve EchoMimic bu kategorideki örnekler arasındadır. Bu projelerin çoğu açık kaynaklıdır ve yerel kurulum gerektirmektedir.
İkinci sınıf ise manzara, iç mekan, hayvan veya portre gibi her türlü sahneyle çalışabilen evrensel video modelleridir. Bu modeller metin komutlarıyla yönetilmekte ve rüzgarda uçuşan saçlar veya hareket eden bulutlar gibi genel unsurları canlandırabilmektedir. Kling 3.0, Seedance 2.0 ve MiniMax tarafından geliştirilen Hailuo bu sınıfa giren modellerdir. Evrensel modeller, mikro mimiklerde uzmanlaşmış modeller kadar hassas olmasa da kamera hareketleri ve kısa hikayeler oluşturma konusunda daha yetkindir.
Teknolojinin gelişimi sürecinde, 2019 yılındaki NeurIPS konferansında tanıtılan First Order Motion Model, ilk yaygın yöntemlerden biri olmuştur. Bu model, kaynak fotoğraf ve yönlendirici video arasındaki anahtar noktaları eşleştirerek hareketi aktarmaktaydı. Ancak bu eski yöntem, orijinal pozdan belirgin sapmalar olduğunda görüntüde kopmalara ve yüz benzerliğinin kaybolmasına neden olmaktaydı.