في يوم الثلاثاء، كشفت شركة جوجل عن نماذج Veo 3، وهو نموذج جديد للتوليف بالفيديو باستخدام الذكاء الاصطناعي قادر على تحقيق شيء لم تتمكن من تحقيقه أي مولد فيديو رئيسي بالذكاء الاصطناعي من قبل: إنتاج مسار صوتي متزامن مع الفيديو. بين عامي 2022 و2024، كانت مقاطع الفيديو التي يتم إنشاؤها باستخدام الذكاء الاصطناعي في بدايتها صامتة وعادةً كانت قصيرة جدًا. الآن، يقدم Veo 3 مقاطع عالية الجودة مدتها ثماني ثوانٍ مصحوبة بأصوات وحوارات وتأثيرات صوتية. بعد إطلاق النموذج، طرح الناس على الفور السؤال المعياري الواضح: ما مدى قدرة Veo 3 على تقليد الممثل الفائز بجائزة الأوسكار ويل سميث وهو يأكل السباغيتي؟ في ملخص سريع: بدأ معيار "السباغيتي" في فيديوهات الذكاء الاصطناعي في مارس 2023 من خلال فيديو مبكر ومزعج إلى حد ما تم إنشاؤه باستخدام نموذج توليف مفتوح المصدر يسمى ModelScope. أصبح هذا المثال من السباغيتي معروفًا جدًا لدرجة أن سميث سخر منه حوالي سنة كاملة لاحقًا، في فبراير 2024. وإليك تذكيرًا بنظرة على الفيديو الذي حقق انتشارًا واسعًا: ما غالبًا ما يُنسى هو أنه في ذلك الوقت، لم يُنتج تقليد سميث باستخدام أفضل مولد فيديو بالذكاء الاصطناعي متاح—نموذج يُدعى Gen-2 من شركة Runway كان قد قدم نتائج ذات جودة أعلى، على الرغم من أنه لم يكن متاحًا للجمهور بعد. ومع ذلك، كانت نسخة ModelScope غريبة بما يكفي وملفتة بحيث أصبحت مرجعًا لمحدوديات الفيديو المبكرة بالذكاء الاصطناعي مع تطور التقنية. في بداية هذا الأسبوع، رد مطور تطبيقات الذكاء الاصطناعي جافي لوبيز على المعجبين المتحمسين لإعادة اختبار السباغيتي باستخدام Veo 3، وشارك نتائجه على منصة X. ولكن عند مشاهدة النتائج، بدا أن الموسيقى التصويرية غير عادية: بدا أن سميث المزيف كان يمضغ السباغيتي ويصنع صوتًا مقرمشًا. هذه المشكلة ناتجة عن قدرة Veo 3 التجريبية على إضافة التأثيرات الصوتية، ربما لأنها تدربت على العديد من الأمثلة التي تتضمن مضغ الطعام مع أصوات قرقشة. تعمل نماذج الذكاء الاصطناعي التوليدي كنظم تنبؤ تطابق الأنماط، وتعتمد على وجود كمية كافية من بيانات التدريب عبر أنواع الوسائط المختلفة لإنتاج نتائج مقنعة.

عندما يكون مفهوم معين مكررًا بكثرة أو نادرًا في تلك البيانات، يؤدي ذلك إلى ظهور عيوب غريبة في الإنتاج، مثل هذا. كما أجرينا تجربتنا الخاصة باستخدام النموذج على Veo 3، لكن "ويل سميث" تم حظره بواسطة فلاتر المحتوى من جوجل. ومع ذلك، عند استخدام عبارة "رجل أسود يأكل السباغيتي"، أنتجت تأثير قرقشة مماثل (ربما كان لوبيز يمتلك وصولًا مبكرًا بدون فلاتر، أو جرب تكرارات لعبارات نجحت في التسلل). Veo 3 يثير الإعجاب بقدرته على توليد حوارات متماسكة وموسيقى، وهو ما ألهم العديد من الأمثلة المذهلة على منصة X. ولمجرد أننا لا نرغب في الاكتفاء بمقطع فيديو لرجل يأكل نودلز مطبوخة جدًا، اختبرنا ما إذا كان بالإمكان أن يغني ويأكل في نفس الوقت عبر عبارة: "رجل يغني أوبرا كوميدية باللغة الإنجليزية عن السباغيتي على طاولة المطبخ وهو يأكلها". لقد حققنا تقدمًا ملحوظًا منذ عام 2023، وسوف تستمر أدوات توليد الفيديو بالذكاء الاصطناعي في تحسين مستوى الواقعية والوظائف. لو لم يكن هناك فلتر المشاهير الحالي في Veo 3، لكنا قادرين بسهولة على صنع فيديوهات لسميث وهو يغني—أو يفعل أي شيء تقريبًا—وهو ما يسلط الضوء على المخاوف المحتملة من تكنولوجيا فيديوهات الذكاء الاصطناعي. الاقتراب من نقطة التحول الثقافي يسير بسرعة. وفي هذا الصدد، أجرينا مؤخرًا سلسلة موسعة من اختبارات توليد الفيديو باستخدام Veo 3 وسنشارك نتائجنا قريبًا في مقال خاص. حتى ذلك الحين، اعتبروا هذا تحديثًا موجزًا عن "ذا برنس الجديد" في زمن المعكرونة. بون أبيتيت!