Rilis terbaru Ovi, sebuah model AI sumber terbuka yang mampu menghasilkan klip video dan audio tersinkronisasi berdurasi 5 detik dari perintah teks atau gambar, telah memicu diskusi intensif tentang masa depan pembuatan video. Seiring teknologi ini menunjukkan kemampuan yang mengejutkan—menghasilkan konten beresolusi tinggi meski dilatih dengan data beresolusi lebih rendah—komunitas sedang bergulat dengan apa artinya ini bagi para pembuat film, lanskap persaingan, dan hakikat ekspresi kreatif itu sendiri.
Tantangan Sumber Terbuka bagi Raksasa Teknologi
Kemunculan model sumber terbuka yang mumpuni seperti Ovi merepresentasikan pergeseran signifikan dalam ruang generasi video AI. Dibangun di atas fondasi seperti Wan 2.2 untuk video dan MMAudio untuk pemrosesan audio, proyek-proyek yang digerakkan komunitas ini menunjukkan bahwa generasi video berkualitas tinggi bukanlah hal yang eksklusif bagi lab korporat yang didanai dengan baik. Kemampuan model untuk dijalankan pada perangkat keras konsumen seperti RTX 5090 dengan 32GB VRAM, atau melalui penyewaan cloud yang berbiaya di bawah 0,50 Dolar AS per jam, membuat pembuatan video yang canggih dapat diakses oleh para kreator individu, bukan hanya studio besar.
Menyenangkan melihat model terbuka yang fleksibel menunjukkan performa kuat melawan pesaing tertutup yang didanai besar-besaran seperti OpenAI dan Runway.
Aksesibilitas ini menciptakan tekanan baru bagi pemain mapan. Sementara perusahaan seperti OpenAI dan Google terus memajukan model proprietary dengan kemampuan yang mengesankan, kemajuan pesat alternatif terbuka menunjukkan bahwa kesenjangan mungkin menutup lebih cepat dari perkiraan.
Kemampuan Teknis dan Aplikasi Kreatif
Spesifikasi teknis Ovi mengungkapkan baik kemampuan maupun batasan saat ini. Model ini menghasilkan video berdurasi 5 detik pada 24 frame per detik dalam berbagai rasio aspek, dengan kekuatan khusus dalam menangani resolusi lebih tinggi daripada yang digunakan dalam pelatihannya. Kemampuan peningkatan resolusi ini mempertahankan konsistensi temporal dan spasial, memungkinkan keluaran seperti resolusi 1280×704 dan 1344×704 dari data pelatihan 720×720.
Proses kreatifnya melibatkan pemformatan perintah khusus, menggunakan tag seperti <SPEECH> untuk dialog dan <AUDIODESCRIPTION> untuk efek suara. Pendekatan terstruktur ini memungkinkan kreator untuk memandu elemen visual dan audio secara bersamaan, meski keluaran saat ini masih menunjukkan artefak yang menempatkannya dalam apa yang disebut komentator sebagai lembah keanehan—hampir realistis tetapi belum cukup meyakinkan untuk secara konsisten menipu persepsi manusia.
Spesifikasi Model Ovi
- Durasi Video: 5 detik
- Frame Rate: 24 FPS
- Resolusi Training: 720×720
- Resolusi Output: Mendukung hingga 960×960 dan berbagai rasio aspek (16:9, 1:1, 7:16)
- Opsi Input: Kondisi text-only atau text+image
- Integrasi Audio: Generasi ucapan dan efek suara yang tersinkronisasi
- Kebutuhan Hardware: Berjalan pada GPU konsumen seperti RTX 5090 (32GB VRAM)
Masa Depan Pembuatan Film dan Konten
Mungkin diskusi yang paling memanas berkisar pada bagaimana teknologi ini dapat mengubah hiburan. Beberapa membayangkan masa depan terdekat di mana individu dapat membuat film pendek yang canggih dari ruang bawah tanah mereka, sementara yang lain tetap skeptis tentang konten yang dihasilkan AI yang pernah mencapai penerimaan arus utama.
Debat ini mengungkap perbedaan generasi dalam cara orang memandang kreativitas AI. Beberapa berargumen bahwa penolakan terhadap seni AI akan memudar seiring generasi muda yang tumbuh dengan teknologi menjadi audiens utama. Yang lain berpendapat bahwa mengetahui konten dihasilkan secara algoritmik pada dasarnya merusak nilai artistiknya, terlepas dari kualitas teknisnya.
Batasan saat ini seputar konsistensi karakter di berbagai adegan dan penceritaan visual yang koheren tetap menjadi hambatan signifikan. Seperti yang dicatat seorang komentator, Memiliki karakter yang sama, mengenakan pakaian yang sama, mengunjungi kembali lingkungan, dengan pencahayaan dan pascaproduksi yang sama sangat berbeda dari menghasilkan klip yang terisolasi. Tantangan kontinuitas ini menunjukkan bahwa film panjang yang dibuat AI masih jauh, meski format yang lebih pendek mungkin datang lebih cepat.
Keterbatasan Saat Ini yang Dicatat oleh Komunitas
- Masalah konsistensi karakter di berbagai adegan
- Artefak visual yang sesekali muncul (misalnya, anggota tubuh tambahan dalam konten yang dihasilkan)
- Efek "uncanny valley" dalam representasi manusia
- Terbatas pada segmen video pendek (5 detik)
- Tantangan kohesi antara adegan berurutan
Implikasi Etika dan Industri
Aksesibilitas teknologi ini memunculkan pertanyaan penting tentang keaslian dan kepemilikan kreatif. Kemampuan untuk menghasilkan konten video yang meyakinkan dengan mudah dapat mempercepat kekhawatiran tentang misinformasi, sementara secara bersamaan mendemokratisasikan ekspresi kreatif. Ketegangan antara kemungkinan-kemungkinan ini mencerminkan percakapan masyarakat yang lebih luas tentang peran AI dalam industri kreatif.
Bagi para pembuat film profesional, generasi video AI mungkin menjadi alat lain dalam pipa produksi, bukan pengganti kreativitas manusia. Seperti halnya CGI dalam beberapa dekade sebelumnya, implementasi yang paling berhasil kemungkinan akan memadukan kemampuan AI dengan arahan artistik manusia daripada menggantikannya sepenuhnya.
Kemajuan pesat model generasi video sumber terbuka seperti Ovi menandai momen penting bagi teknologi kreatif. Meski batasan teknis masih ada, demokratisasi alat pembuatan video yang canggih tampaknya tak terelakkan. Percakapan yang sedang berlangsung mengungkapkan baik kegembiraan tentang kemungkinan kreatif baru maupun kekhawatiran tentang bagaimana teknologi ini dapat membentuk kembali hiburan, keaslian, dan ekspresi artistik di tahun-tahun mendatang.
Referensi: Ovi: Twin Backbone Cross-Modal Fusion for Audio-Video Generation