Utorak je Google predstavio Veo 3, novi model AI za synthesizovanje videa koji može postići nešto što nijedan veći AI generator videa prije nije uspio: proizvodnju sinkroniziranog audio zapisa uz video. Između 2022. i 2024. , rani AI-generirani videi su bili tihi i uglavnom vrlo kratki. Sada, Veo 3 isporučuje osamsekundne visokorezolucijske klipove sa glasovima, dijalogom i zvučnim efektima. Nakon lansiranja, ljudi su odmah postavili očigledno pitanje: Koliko dobro Veo 3 može lažirati Oscarom nagrađenog glumca Will Smitha dok jede špagete? Brzi podsetnik: „spaghetti benchmark“ u AI videu počeo je u martu 2023. sa ranim, prilično uznemirujućim AI-generiranim videom kreiranim pomoću open-source modela pod nazivom ModelScope. Taj primjer špageta postao je toliko poznat da ga je Smith gotovo godinu dana kasnije, u februaru 2024. , parodyovao. Evo podsjetnika na to kako je originalni viralni video izgledao: Ono što se često zaboravlja jeste da taj Smithov parodijski snimak nije napravljen najboljim dostupnim AI generatorom videa—modelom nazvanim Gen-2 od Runway—koji je već pružao kvalitetnije rezultate, iako taj model tada još nije bio javno dostupan. Ipak, verzija sa ModelScopeom bila je čudna i dovoljno pamtljiva da postane referentna tačka za rane ograničenosti AI videa dok je tehnologija napredovala. Ranije ovog sedmice, programer AI aplikacija Javi Lopez odgovorio je na entuzijastične zahtjeve fanova da ponovo testiraju spaghetti test koristeći Veo 3, dijeleći svoja saznanja na X. Međutim, kada je gledao rezultate, zvuk na snimku je djelovao neobično: lažni Smith je zvučao kao da hrče špagete. Ovaj kvar proizilazi iz eksperimentalne sposobnosti Veo 3 da dodaje zvučne efekte, vjerovatno zato što su u njegovim podacima za obuku bile uključene mnoge instance žvakanja uz zvuk hrskanja. Generativni AI modeli funkcionišu kao sistemi za prepoznavanje obrazaca i predviđanje, oslanjajući se na dovoljne količine podataka iz različitih medija za stvaranje uvjerljivih rezultata.

Kada su određeni koncepti previše ili premalo zastupljeni u tim podacima, to dovodi do neobičnih artefakata u generaciji poput ovoga. Takođe smo i mi sami isprobali prompt na Veo 3, ali „Will Smith“ je bio blokiran od strane Googleovih filtera sadržaja. Međutim, korištenje prompta „Crni muškarac jede špagete“ dalo je sličan zvučni efekat hrskanja (možda je Lopez imao pristup ranijoj verziji bez filtera ili eksperimentisao s varijacijama prompta koje su prošle). Veo 3 impresionira svojom sposobnošću da generiše koherentni dijalog i muziku, već inspirišući brojne upečatljive primjere na X. Ne želeći stati samo na videu čovjeka koji jede vrlo al dente špagete, testirali smo može li figura istovremeno pjevati i jesti pomoću prompta: „Čovjek pjeva engleski humoristički operu o špagetama za kuhinjskim stolom dok ih jede. “ Napravili smo značajan napredak od 2023. godine, a AI generatori videa će se i dalje poboljšavati u realističnosti i funkcionalnosti. Da nije trenutnog filtera za poznate ličnosti kod Veo 3, lako bismo mogli napraviti video Smitha kako pjeva—ili radi gotovo bilo šta drugo—što ukazuje na potencijalne zabrinutosti oko AI tehnologije za video. Kulturna singularnost brže nego ikada dolazi. U tom duhu, nedavno smo sproveli našu opsežnu seriju testova generisanja videa sa Veo 3 i uskoro ćemo podijeliti te rezultate u posebnom članku. Za sada, ovo je kratki izvještaj o vladaru špageta, Prijatelju iz susjedstva. Bon appétit!