Các ứng dụng AI đa thể thức (tiếp tục)
Các khả năng khởi tạo nội dung, tương phản lại, tập trung vào tạo các dạng cụ thể của đa phương tiện,
thường với chất lượng thêm nhưng chức năng chuyên biệt hơn. Các models text thành ảnh tạo nội dung nhìn
từ các mô tả, các hệ thống text thành video khởi tạo các video clips từ các prompts, các công cụ
text thành audio sinh ra âm nhạc hay giọng nói, và các models ảnh thành ảnh chuyển dạng các ảnh nhìn hiện
tại. Các ví dụ bao gồm Midjourney, DALL-E, và Stable Diffusion cho ảnh; Sora và Pika cho video; Suno và
ElevenLabs cho audio. Không giống các models đa thể thức đích thực, nhiều hệ thống tạo sinh được chuyên
biệt cho thể thức đầu ra cụ thể của chúng, thậm chí nếu chúng có thể chấp nhận nhiều dạng đầu vào. Chúng
xuất sắc tại tạo hơn là hiểu.
Khi các LLMs tiến hóa vượt quá text, LangChain đang mở rộng để hỗ trợ cả các dòng làm việc tạo sinh nội
dung và hiểu đa thể thức. Khung cung cấp các nhà phát triển với các công cụ để tích hợp các khả năng tiên
tiến này vào các ứng dụng của chúng mà không cần thực thi các tích hợp phức tạp từ đầu. Hãy bắt đầu với
tạo ảnh từ các mô tả text. LangChain cung cấp một vài cách tiếp cận để tích hợp khởi tạo ảnh qua các
tích hợp và cái gói bên ngoài. Chúng ta sẽ khám phá nhiều mô hình thực thi, bắt đầu với các kĩ thuật đơn
giản nhất và tiến lên tới tinh vi hơn cái có thể được tích hợp vào các ứng dụng của bạn.