Ang siyensya

Ang bukas nga sumbanan alang sa kalidad sa video nga nagpasabot.

Gibasa namo ang gipatik nga panukiduki bahin sa kung giunsa nagkat-on ang mga tawo gikan sa video ug gihimo namong numerikal nga mga lagda ang mga nakit-an nga nakalahutay sa pagsusi nga kinahanglang sundon sa among generator. Ania ang tibuok espesipikasyon, kompleto uban sa mga pagkutlo, nga tin-aw nga gimarkahan ang mga butang nga wala namo matino nga masusi. Kini publiko tungod kay ang sumbanan nga dili nimo masusi dili sumbanan.

Giunsa kini basaha

Ang matag lagda adunay grado sa ebidensya niini.

Bisan kinsa mahimong mag-angkon nga natukod sa siyensya. Gigradohan namo ang matag pag-angkon aron makahimo ka nga mailhan ang napamatud-ang epekto gikan sa usa ka nagtrabahong pangagpas. Ang pagkamatinud-anon mao ang pagkakasaligan.

Napamatud-an Nakalahutay sa kontra-pamatud nga pagsusi batok sa panguna nga tinubdan.
Nakuha Aritmetikanhong sangputanan sa napamatud-ang lagda.
Gibanabana Kanon sa mga practitioner o pagpalapad sa mga prinsipyo ni Mayer, wala pa mapamatud-an niini nga round.
Produkto Usa ka desisyon sa produkto, dili usa ka pag-angkon sa panukiduki.
Pipeline Usa ka gisukod nga kinaiya sa among kaugalingong pipeline.
Bahin usa

Ang napulog usa ka balaod sa disenyo.

Unsa ang tinuod nga giingon sa siyensya, uban sa mga gidak-on sa epekto ug usa ka link sa panguna nga tinubdan alang sa matag usa.

L1 Napamatud-an

Ang progresibong pagpadayag mandatory, ug kini ang labing dako nga lever nga among gikontrol.

Ang sulod nga gitukod garis-garis mas maayo nga sukdanon kay sa pagpakita sa nahuman nga mga eksena. Pagpabilin ηp²=0.13 to 0.17, paglalin ηp²=0.10 to 0.16, gisubli sa duha ka eksperimento nga adunay parehas nga pagsaysay.

Sa Sketchie: Ayaw gyud pagputol sa nahuman nga diagram. Ang matag elemento nagdrowing sa iyang kaugalingon. Dili kini estetika, kini ang mekanismo sa pagpabilin.

Tinubdan: PMC9898452
L2 Napamatud-an

Ang makita nga kamot opsyonal. Ang pagdrowing dili.

Ang pagdrowing sa kamot batok sa pagtulod sa kamot batok sa walay kamot nakausab sa intrinsic nga motibasyon (p=0.033) apan wala makahimo og kalainan sa mga resulta sa pagkat-on.

Sa Sketchie: Gilaktawan namo ang pag-render sa kamot ug wala kami mawad-i og bisan unsa nga masukod. Ang pagdrowing mismo ang mahinungdanon.

Tinubdan: Smart Learn. Env. 2023
L3 Napamatud-an

Ang pagsenyas nagpalit og pagpabilin ug paglalin pinaagi sa pagpaubos sa cognitive load.

Meta-analysis, 32 studies, N≈3,597: ang mga senyas naghatag og pagpabilin d=0.27, paglalin d=0.34, load d=−0.11. Ang gidak-on sa pagkunhod sa load nagtagna sa ganansya sa pagkat-on (β=−0.70 pagpabilin, −0.60 paglalin).

Sa Sketchie: Ang mga pana, kolor nga pagbuto, ug pagpadayag sa label mga senyas, dili dekorasyon. Ang matag senyas nagtudlo sa gisulti sa pagsaysay karon.

Tinubdan: PMC5576760
L4 Napamatud-an

Bahina, ug pasagdi ang mga gintang sa pagproseso.

Ang meta-analysis sa pagbahin nakit-an ang dagkong ganansya sa pagpabilin ug paglalin, gikan sa gamay hangtod sa katunga. Ang usa ka bahin sa benepisyo naggikan sa panahon sa pagproseso nga gihimo sa mga utlanan.

Sa Sketchie: Ang mga eksena mga segment. Human sa katapusang pagpadayag sa usa ka eksena, ang pagsaysay mahilom sa labing menos 0.7 seconds sa dili pa ang pagputol.

Tinubdan: Rey et al. 2019
L5 Napamatud-an

Ang unom-minutos nga pangpang tinuod.

Sa tibuok 6.9 million ka edX sessions, ang engagement nagpabilin duol sa 1.0 sa ubos sa 6 minutos, mokunhod ngadto sa mga 0.55 sa 9 to 12 minutos, ug mokunhod ngadto sa mga 0.2 human sa 12 minutos. Independiyenteng napamatud-an sa usa ka pagsubli sa 2026.

Sa Sketchie: Ang default nga output istrikto nga 6:00. Ang mas taas nga mga hangyo mahimong usa ka serye sa video nga gibahin sa mga kapitulo, dili gyud usa ka taas nga video.

Tinubdan: Guo et al. 2014
L6 Napamatud-an

Ang pagdrowing nga estilo sa Khan modaog sa mga slide sa bisan unsang gitas-on.

Mga 0.72 batok sa 0.52 nga normalized nga engagement sa 3 to 6 minutos, gipasangil sa gidrowing nga kalihukan sa kamot dugang ang usa ka dinali, sinultihan nga pagpresentar.

Sa Sketchie: Ang format napamatud-an. Ang pagsaysay kinahanglang mosunod sa tingog nga gisulti, dili gibasa. Gitugotan ang mga contraction, gidasig ang direktang pagsulti.

Tinubdan: Guo et al. 2014
L7 Napamatud-an

Ang pagsaysay ug ang progresibong pagpadayag kinahanglang mapares.

Ang usa ka naratibo nga script nagpauswag sa paglalin (ηp²=0.12 to 0.20) apan dili ang pagpabilin sa iyang kaugalingon. Kung gipares UBAN sa progresibong pagdrowing, ang naratibo nagbuntog sa impormatibo sa pagpabilin (p=0.021). Sa ESTATIKO nga mga visual, usa hinuon ka impormatibo nga script ang nagdaog (η²=0.21 to 0.24).

Sa Sketchie: Ang among mga script naggamit sa grammar sa istorya, usa ka karakter nga adunay tumong, usa ka babag, ug usa ka solusyon, tungod gyud kay kanunay kaming naghimo og progresibong pag-render. Dili gyud naratibong voiceover sa ibabaw sa usa ka estatikong frame.

Tinubdan: PMC9898452
L8 Napamatud-an

Walay makapadani nga mga detalye.

Ang makapaikag apan dili gikinahanglan nga sulod dili makapauswag sa pagkat-on.

Sa Sketchie: Ang matag visual nga elemento kinahanglang tudloan sa pagsaysay. Ang dili gitudlo nga dekorasyon usa ka kapakyasan, dili kaanindot.

Tinubdan: Mayer 2020
L9 Napamatud-an

Tapuson uban sa paghimo, dili lang usa ka summary.

Ang mga prompt nga nagpahimo sa tigkat-on nga mosumaryo o mopatin-aw nagpauswag sa pagkat-on. Kini ang prinsipyo sa generative nga kalihukan.

Sa Sketchie: Ang matag video matapos sa usa ka higayon sa pagbawi: usa ka pangutana motungha, ang video mohunong sa 1.5 to 2 seconds, unya usa ka usa-linya nga summary.

Tinubdan: Springer 2020
L10 Napamatud-an

Ang mga utlanan sa panghitabo nag-reset sa atensyon.

Ang dugang nga visual ug naratibong mga punto sa kausaban nagpasabot og gamay nga paglaraw sa hunahuna.

Sa Sketchie: Ang mga pagbag-o sa eksena mga pag-reset sa atensyon. Ibutang kini sa mga utlanan sa ideya, dili gyud sa tunga sa usa ka ideya.

Tinubdan: Nature HSSC 2026
L11 Napamatud-an

Ayaw i-optimize alang sa estetika sa gidaghanon sa panan-aw.

Ang kalidad sa pagpasabot dili magkorelasyon sa mga panan-aw kung ang gidak-on sa channel gikontrol (r=0.23, dili signipikante). Ang mga like lang, may kalabutan nga mga komento, ug mga interaksyon ang magkorelasyon.

Sa Sketchie: Gigradohan namo ang disenyo sa pagkat-on, dili ang mga senyas sa pagka-viral.

Tinubdan: arXiv 2207.05872
Bahin duha

Ang mga numero nga kinahanglang abuton sa pipeline.

Ang mga balaod sa taas mahimong konkretong mga tumong. Kini ang kontrata nga gigamit sa pagsusi sa generator sa matag rendering.

Parameter Target Grado
Kinatibuk-ang gitas-on sa video estrikto nga 6:00 nga kinatas-an nga utlanan; sweet spot nga 1:00 to 3:00 matag konsepto Napamatud-an
Pagka-detalyado sa gitas-on 30-segundo nga mga pagdugang Produkto
Gidugayon sa eksena 12 to 30 segundo, usa ka ideya matag eksena Napamatud-an
Mga elemento matag eksena 3 to 7 makita sa katapusan sa eksena, apil ang heading Gibanabana
Kadali sa pagpadayag usa ka bag-ong elemento matag 2 to 5 segundo; walay duha ka pagpadayag nga mas duol sa 1.2s Nakuha
Sync sa pagpadayag-pulong ang elemento motungha sulod sa ±500ms sa nagpaaghat niini nga pulong Nakuha
Tabon sa word-sync labing menos 95% sa mga elemento adunay pulong sa pagpadayag nga masulbad Pipeline
Gintang human sa eksena labing menos 0.7s sa kahilom sa pagsaysay human sa katapusang pagpadayag, sa dili pa ang pagputol Napamatud-an
Estilo sa pagpadayag outline nga pagdrowing (0.3 to 0.5s), unya usa ka staggered nga pagpuno; ang mga pana gikan sa tumoy hangtod sa ikog Napamatud-an
Makita nga kamot wala Napamatud-an
Mga label tulo ka pulong o mas gamay, tanan-kapital nga keyword; dili gyud usa ka tudling-pulong nga nagsalamin sa pagsaysay Gibanabana
Kadali sa pagsaysay 140 to 160 ka pulong matag minuto, sinultihan nga register, gitugotan ang mga contraction Gibanabana
Istruktura sa script hook sulod sa 10s, konkretong analohiya, mekanismo, tinuod-kalibutan nga anchor, higayon sa pagbawi, summary Napamatud-an
Naratibo nga grammar karakter, tumong, babag, solusyon, sa bisan unsang panahon nga gitugotan sa domain Napamatud-an
Analohiya labing menos usa ka konkretong analohiya sa wala pa ang unang abstract nga termino Gibanabana
Wala kinahanglana nga visual wala ka elemento nga wala gitudlo sa pagsaysay Napamatud-an
Katapusan pangutana sa pagbawi, usa ka hunong nga labing menos 1.5s, unya usa ka usa-linya nga summary Napamatud-an
Mga transisyon sa eksena estriktong pagputol lamang sa utlanan sa ideya, dili gyud sa tunga sa usa ka ideya Napamatud-an
Bahin tulo

Ang tulo-ka-lapisan nga balangkas sa pagsusi.

Ang usa ka lagda tinuod lamang kung mahimo nimo kining sulayan. Ang matag video moagi sa tulo ka lapisan sa dili pa gitugotan nga i-release.

Layer A

Mekanikal

Puro nga mga JavaScript nga pahayag sa scene graph ug sa mga panahon sa pulong. Zero nga gasto, luwas nga padagan sa CI. Ang kinatibuk-ang gidugayon sa ubos sa kinatas-an nga utlanan, ang matag eksena sa gidugayon nga banda niini, 3 to 7 ka elemento matag eksena, ang matag elemento adunay pulong sa pagpadayag nga mahulog sulod sa ±500ms sa gisulti nga pulong, usa ka katapusang eksena nga adunay pangutana ug summary, ug walay elemento nga wala gitudlo sa pagsaysay. Pasar o pakyas, walay mga tawag sa modelo.

Layer B

Semantiko

Usa ka model-as-judge nga pass, gi-iskor og 1 to 5, gisample ug gipadagan sa pagpagawas, dili gyud sa CI. Usa ka ideya matag eksena, pagkamasaligan sa icon, kung ang analohiya tinuod nga mokupot sa mekanismo, kalidad sa hook, usa ka pag-scan sa makapadani nga mga detalye, ug pagkamatinud-anon sa source document. Ang bisan unsang dimensyon sa ubos sa 3 mopakyas sa gate sa pagpagawas.

Layer C

Pagpamatuod sa output

Mga pagsusi sa mismong na-render nga file. Usa ka contact sheet nagpamatuod nga walay nagsapaw nga mga elemento ug nabasa nga mga label, usa ka frame burst nagpamatuod nga ang outline-then-fill nga pagpadayag tinuod nga anaa, ug ang audio loudness-normalized nga walay putol nga mga tudling-pulong sa mga pagputol.

Dili usa ka manipesto, usa ka ganghaan

Giunsa kini gipatuman sa Sketchie.

Ang espesipikasyon adunay bili lamang kung ang usa ka video nga naglapas niini dili ma-release. Ang Layer A modagan sa panahon sa paghimo, sa scene graph, sa dili pa kami mogasto bisan usa ka sentimos sa tingog o pag-render. Ang usa ka graph nga mopakyas sa mekanikal nga mga pagsusi ipabalik aron mahimo pag-usab uban ang eksaktong mga kapakyasan nga gipakaon ngadto sa prompt. Ang usa ka graph nga padayon nga mopakyas dili gyud mahimong usa ka video.

Ang matag pagsusi sa listahan sa taas mokupot sa usa ka tinuod nga pahayag sa among engine: ang kinatas-an nga utlanan sa kinatibuk-ang gidugayon, ang gidugayon nga banda matag eksena, ang ihap sa elemento, ang rate sa pagsulbad sa pulong sa pagpadayag, ang kahilom human sa eksena, ang mga lagda sa label, ug ang katapusan nga pangutana-dugang-summary. Ang mga pana gisusi usab, mao nga ang usa ka pointer dili gyud molabang sa usa ka elemento nga wala kini konektado. Ang parehas nga code modagan sa gate sa regenerasyon sa worker ug sa padayon nga integrasyon, mao nga ang usa ka kausaban sa generator nga makapaubos sa kalidad mag-block sa iyang kaugalingon.

Ang bukas nga sumbanan sa pagsusi sa GitHub Basaha ang source sa Layer-A Get Started

Sketchie mascot

Gitukod aron mahinumdoman.

Get Started