El dimarts, Google va presentar Veo 3, un nou model de síntesi de vídeos amb IA capaç d’aconseguir alguna cosa que cap de les grans generadores de vídeos amb IA havia aconseguit abans: produir una pista d’àudio sincronitzada amb el vídeo. Entre 2022 i 2024, els primers vídeos generats per IA eren silenciosos i generalment molt breus. Ara, Veo 3 ofereix clips de vuit segons en alta definició, completa amb veus, diàlegs i efectes sonors. Després del llançament, la gent immediatament va plantejar la pregunta evident com a referència: Quant de bé pot falsificar Veo 3 l’actor guanyador de l’Oscar Will Smith menjant espaguetis? Un resum ràpid: el “benchmark de l’espaguetis” en vídeos amb IA va començar al març de 2023 amb un vídeo generat per IA primerenc i força inquietant, creat utilitzant un model de síntesi de codi obert anomenat ModelScope. Aquest exemple d’espaguetis es va fer tan conegut que Smith el va parodiar gairebé un any després, al febrer de 2024. Aquí teniu un recordatori de com era el vídeo viral original: El que sovint s’oblida és que, aleshores, la paròdia de Smith no va ser produïda amb el millor generador de vídeos amb IA available—un model anomenat Gen-2 de Runway ja havia proporcionat uns resultats de millor qualitat, tot i que encara no era accessible públicament. Tot i això, la versió de ModelScope era estranya i prou memorable com per esdevenir un referent de les limitacions primerenques de la IA en la generació de vídeos mentre la tecnologia avançava. A principis de setmana, el desenvolupador d’aplicacions d’IA Javi López va respondre als aficionats disposats a tornar a provar l’espaguetis amb Veo 3, compartint els seus descobriments a X. No obstant això, en veure els resultats, la banda sonora semblava poc habitual: el fals Smith sonava com si estigués cruspint espaguetis. Aquest error prové de la capacitat experimental de Veo 3 per afegir efectes sonors, probablement perquè les dades d’entrenament incloïen nombrosos exemples de masticació amb sorolls de cruixit. Els models generatius d’IA funcionen com a sistemes de predicció de patrons, basant-se en dades d’entrenament suficients en diferents tipus de mitjans per oferir sortides convincents.

Quan certs conceptes estan massa o massa poc representats en aquestes dades, pot donar lloc a artefactes peculiars com aquest. També vam provar el prompt nosaltres mateixos amb Veo 3, però “Will Smith” va ser bloquejat pels filtres de contingut de Google. En canvi, utilitzar el prompt “Un home negre menjant espaguetis” va produir un efecte de cruixit similar (López pot haver tingut accés primerenc sense filtres, o provar amb variacions del prompt que van passar els filtres). Veo 3 impressiona per la seva capacitat de generar diàlegs coherents i música, inspirant ja nombrosos exemples impactants a X. Sense veure’s només un vídeo d’un home menjant al-dente, vam posar a prova si la figura podria cantar i menjar simultàniament, amb la temptativa: “Un home cantant una òpera de comèdia en anglès sobre espaguetis a una taula de cuina mentre en menja. ” Hem fet avenços importants des de 2023, i els generadors de vídeos amb IA seguiran millorant en realisme i funcionalitat. Si no fos pel filtre de celebritats actual de Veo 3, podríem crear fàcilment vídeos de Smith cantant—o fent gairebé qualsevol altra cosa—el que posa de manifest els riscos potencials de la tecnologia de vídeos amb IA. La singularitat cultural s’acosta ràpidament. En aquest sentit, recentment vam dur a terme la nostra pròpia sèrie extensiva de proves de generació de vídeos amb Veo 3 i properament compartirem aquests resultats en un article dedicat. De moment, considerin això una breu actualització sobre el jove de la finestra de la història: Bon profit!