谷歌正准备将YouTube Create应用引入iOS设备,距离该视频编辑应用在Android平台独家发布已近两年时间。TechCrunch审查的招聘信息显示,该公司正在印度积极招聘工程师来开发iOS版本。
招聘信息显示,谷歌正在班加罗尔专门招募软件工程师来构建iOS版本。原版Android应用于2023年9月在美国和其他七个市场首次亮相,随后在2024年2月扩展到另外13个市场。
YouTube Create为内容创作者提供免费的移动视频编辑工具,包括贴纸、GIF和特效等功能,适用于YouTube短视频和长视频内容。谷歌在咨询了3000名创作者后开发了这款应用,以确保满足他们的需求。
该应用是谷歌试图与字节跳动旗下热门的剪映编辑器竞争的尝试。但Sensor Tower向TechCrunch分享的独家数据显示,YouTube Create远落后于剪映和另一个老牌竞争对手InShot。
竞争差距悬殊。今年第二季度,剪映和InShot在Android设备上的下载量分别达到6600万次和2100万次。相比之下,YouTube Create本季度下载量不足50万次,自发布以来总下载量仅为400万次。
用户参与度差距更为明显。第二季度剪映在Android平台拥有超过4.42亿月活跃用户,InShot拥有9200万用户。而YouTube Create的月活跃用户数远远落后,不足100万。
在YouTube Create现在瞄准的iOS平台上,竞争同样激烈。剪映在第二季度以1.94亿月活跃用户领先,InShot紧随其后,拥有2500万用户。与此同时,剪映和Instagram的Edit在本季度iOS下载量中占主导地位,分别达到2800万次和700万次下载。
尽管在数据上落后,YouTube Create显示出一定的增长势头,第二季度月活跃用户同比增长28%,超过了剪映的9%增长和InShot的7%下降。
Sensor Tower高级洞察分析师Abe Yousef表示:"虽然YouTube Create在同比基础上显示出稳固的用户增长,但在与一些规模更大、更成熟的竞争对手如剪映的竞争中表现吃力,后者的月活跃用户数是前者的10倍以上。"
Yousef建议,YouTube Create可能正在建立更忠诚的用户群体。活跃用户数量上升而下载量下降可能表明,之前试用过该应用的用户正在回归并定期使用。
Yousef说:"剪映多年前就已推出,加上它与姊妹应用TikTok的无缝集成,这很可能是与YouTube Create存在重大规模差异的原因。"
不过,YouTube Create面临一些用户留存问题。其90天留存率(下载应用并在90天后仍在使用的用户百分比)在第一季度约为1%,远低于剪映的7%和InShot的4%。
参与度指标也突显了差距。用户平均每月在YouTube Create上花费38分钟,而剪映用户为62分钟。剪映用户打开应用的频率也更高,平均每月23次,而YouTube Create为11次。
从地理分布来看,YouTube Create的用户群正在多元化。去年第二季度,印度占YouTube Create总月活跃用户的67%,但本季度这一比例已降至51%,因为该应用在其他地区获得了增长。不过,YouTube Create在印度似乎正在增强粘性,日活跃用户与月活跃用户的比例从去年的9%提高到今年的12%。
除印度外,印度尼西亚已成为YouTube Create的第二大市场,占其全球月活跃用户的21%。德国(5%)、巴西(4%)和英国(3%)构成了主要市场。
该应用在其他几个市场也显示出特别强劲的增长,月活跃用户同比增长在西班牙为119%,韩国为91%,法国为89%,新加坡为71%。
Yousef表示:"YouTube Create的iOS版本发布绝对有助于该平台扩大市场份额,尽管来自其他社交媒体支持的视频编辑平台和原生视频编辑器的激烈竞争将持续存在。"
谷歌未回应置评请求。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。