Розвиток власних ШІ-моделей в Індії відстає від США, Європи та Китаю. Лише кілька стартапів випускають моделі, і здебільшого це великі мовні моделі або голосові рішення. Щоб стимулювати розробки, уряд запустив ініціативу India AI Mission обсягом близько $1,2 млрд, яка, серед іншого, надає відібраним стартапам субсидований доступ до GPU-потужностей в обмін на публічний реліз їхніх моделей. Один із 12 стартапів, обраних для програми, Avataar AI, представив нову відеомодель Varya, створену з урахуванням локального контексту — зокрема розпізнавання різних фестивалів, страв і одягу.
Стартап Avataar AI, який підтримує фонд Peak XV і який спеціалізується на відеоінструментах для e-commerce, не розробляв Varya з нуля. В основі — Wan 2.2, публічна модель генерації відео від Alibaba. Команда застосувала техніку дистиляції — по суті, стиснення можливостей моделі до компактнішої, швидшої версії, оптимізованої під конкретні сценарії Avataar. У результаті отримано модель, що працює у чотири кроки замість 50 у Wan 2.2, генерує відео в 10 разів швидше і за частку вартості.
У практичних цифрах: на GPU Nvidia H200 Varya здатна згенерувати п’ятисекундний кліп у роздільній здатності 720p за 45 секунд, тоді як Wan 2.2 потребує 1 230 секунд.
Найпомітніша риса Varya — її вартість. Компанія планує брати ₹0,48 (близько $0,005) за секунду відео у своїй хмарній сервісній моделі — це значно дешевше, ніж у рішень Veo, Kling, Luma та Runway, які зазвичай коштують від $0,10 за секунду. Різниця — приблизно у 20 разів.
“Індія — це ринок, де відео в пріоритеті. Ми бачимо це у всіх великих споживчих інтернет‑продуктах країни: відео перемагає текст. Поточні ШІ‑моделі для відео надто дорогі для використання в масштабі всього населення Індії. Якщо відео‑ШІ має дійти до студентів, викладачів, мікро‑ та малих підприємств, креаторів, корпорацій і публічних сервісів, вартість має різко знизитися. Собівартість — головний фактор розблокування масового впровадження ШІ в Індії”, — сказав TechCrunch керівний директор Peak XV Раджан Анандан.
Моделі генерації зображень і відео часто не вловлюють культурних нюансів і видають стереотипний або надто узагальнений контент — на цю проблему TechCrunch вже звертав увагу. В Avataar AI стверджують, що використали спеціально підібранні датасети, щоб навчити Varya розпізнавати культурні особливості, включно з кухнею, одягом, архітектурою та фестивалями.
Модель Varya буде випущено у форматі open weights на порталі AIKosh — централізованому державному репозиторії Індії для публічних ШІ‑моделей і наборів даних. Разом із нею оприлюднять і тренувальні дані, тож розробники зможуть розгортати модель у себе або модифікувати під власні задачі. Avataar також планує надати Varya своїм корпоративним клієнтам і заявляє, що відкрита до партнерств з іншими відеоінструментами, зокрема Higgsfield та Adobe Firefly. Спробувати модель уже можна на сайті компанії, використовуючи текстові підказки або референсні зображення.
Запуск Varya підкреслює базовий компроміс в амбіціях Індії у сфері ШІ. Галузеві експерти зазначають, що країна може заявити про себе в ШІ завдяки застосункам і сильній розробницькій екосистемі, а не в конкуренції за лідерство у фундаментальних моделях. І на це є практичні причини: розробка моделей в Індії йде повільніше, ніж у глобальних конкурентів, через нестачу обчислювальних ресурсів і обмежену доступність якісних даних.