अतिरिक्त प्रशिक्षण के बिना टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल का उपयोग करके समय के अनुसार सुसंगत वीडियो जनरेट और संपादित करता है।
मौजूदा टेक्स्ट-टू-इमेज डिफ्यूजन पाइपलाइन को कंडीशनल वीडियो जनरेटर और इंस्ट्रक्शन एडिटर में बदलें।
Text2Video-Zero एक जीरो-शॉट वीडियो जनरेशन फ्रेमवर्क है जो वीडियो प्रोडक्शन के लिए Stable Diffusion मॉडल को अनुकूलित करता है। यह वीडियो क्रिएटर्स और AI डेवलपर्स को विशेष वीडियो मॉडल को प्रशिक्षित किए बिना टेक्स्ट, पोज, एज और डेप्थ इनपुट से वीडियो जनरेट करने की अनुमति देता है। यदि आप ओपन सोर्स वीडियो जनरेशन और इंस्ट्रक्शन-आधारित वीडियो एडिटिंग के साथ प्रयोग करना चाहते हैं तो आपको इसका उपयोग करना चाहिए।
यह टूल सीधे टेक्स्ट प्रॉम्प्ट या पोज स्केलेटन और Canny एज जैसे संरचित मार्गदर्शन से समय के अनुसार सुसंगत वीडियो क्लिप जनरेट करता है। यह Video Instruct-Pix2Pix के माध्यम से इंस्ट्रक्शन-निर्देशित वीडियो संपादन सक्षम करता है और कस्टम DreamBooth मॉडल के साथ एकीकृत होता है। Hugging Face Diffusers और Token Merging के साथ एकीकरण 7 GB VRAM जितने कम के साथ कंज्यूमर GPU पर निष्पादन की अनुमति देता है।
यह टूल AI शोधकर्ताओं, डेवलपर्स और तकनीकी वीडियो संपादकों के लिए उपयुक्त है जो वीडियो निर्माण के लिए Stable Diffusion पाइपलाइन को अनुकूलित करना चाहते हैं। यह समर्पित GPU हार्डवेयर पर Python और PyTorch वातावरण चलाने में सहज टीमों के लिए आदर्श है। यह गैर-तकनीकी संपादकों के लिए उपयुक्त नहीं है जिन्हें तुरंत उपयोग के लिए तैयार ग्राफिकल इंटरफ़ेस की आवश्यकता होती है।
पूर्व-प्रशिक्षित Stable Diffusion मॉडल का उपयोग करके टेक्स्ट प्रॉम्प्ट से समय के अनुसार सुसंगत वीडियो अनुक्रम जनरेट करता है।
मोशन स्केलेटन, Canny एज डिटेक्शन, या MiDaS डेप्थ मैप का उपयोग करके वीडियो जनरेशन का मार्गदर्शन करता है।
Video Instruct-Pix2Pix के माध्यम से टेक्स्ट कमांड का उपयोग करके मौजूदा वीडियो क्लिप को संपादित करता है।
Hugging Face या Civitai से मनमाने Stable Diffusion बेस मॉडल और कस्टम DreamBooth वेट लोड करता है।
कोड GitHub पर स्वतंत्र रूप से उपलब्ध है, लेकिन रिपॉजिटरी में कोई स्पष्ट सॉफ्टवेयर लाइसेंस निर्दिष्ट नहीं है। प्राथमिक लागत स्थानीय रूप से या क्लाउड सर्वर पर अनुमान लगाने के लिए आवश्यक GPU कंप्यूट हार्डवेयर से आती है।
877 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
डिफ़ॉल्ट रूप से आपको कम से कम 12 GB VRAM वाले CUDA-सक्षम GPU की आवश्यकता होती है, या Token Merging अनुकूलन का उपयोग करते समय 7 GB VRAM से कम की आवश्यकता होती है।
हाँ, आप Diffusers फॉर्मेट में परिवर्तित किसी भी Stable Diffusion बेस मॉडल या कस्टम DreamBooth वेट को लोड कर सकते हैं।
आप टेक्स्ट निर्देश के साथ इनपुट वीडियो फ़ाइल प्रदान करके Video Instruct-Pix2Pix विधि का उपयोग कर सकते हैं।
Google में Zekai को सबसे पहले देखें