El martes, Google presentó Veo 3, un nuevo modelo de síntesis de videos con inteligencia artificial capaz de lograr algo que ningún otro generador de videos con IA importante había conseguido antes: producir una pista de audio sincronizada junto con el video. Entre 2022 y 2024, los primeros videos generados por IA eran silenciosos y generalmente muy breves. Ahora, Veo 3 ofrece clips en alta definición de ocho segundos completos con voces, diálogos y efectos de sonido. Tras el lanzamiento, la gente preguntó de inmediato la evidencia de referencia obvia: ¿Qué tan bien puede Veo 3 falsificar al actor ganador del Oscar Will Smith comiendo espaguetis? Un resumen rápido: el "benchmark de espaguetis" en videos con IA comenzó en marzo de 2023 con un video generado por IA, en sus primeras etapas y bastante inquietante, creado usando un modelo de síntesis de código abierto llamado ModelScope. Ese ejemplo de espaguetis se hizo tan conocido que Smith lo parodió casi un año después, en febrero de 2024. Aquí tienes un recordatorio de cómo era el video viral original: Lo que a menudo se olvida es que en ese momento, la parodia de Smith no se produjo con el mejor generador de videos con IA disponible; un modelo llamado Gen-2 de Runway ya había entregado resultados de mayor calidad, aunque todavía no era accesible al público. Sin embargo, la versión de ModelScope era lo suficientemente extraña y memorable como para convertirse en un referente de las limitaciones iniciales de la IA en videos a medida que la tecnología avanzaba. A principios de esta semana, el desarrollador de aplicaciones de IA Javi Lopez respondió a los fans ansiosos por revisar la prueba del espagueti usando Veo 3, compartiendo sus hallazgos en X. Sin embargo, al ver los resultados, la banda sonora parecía inusual: el falso Smith sonaba como si estuviera masticando los espaguetis. Este fallo proviene de la capacidad experimental de Veo 3 para agregar efectos de sonido, probablemente porque sus datos de entrenamiento incluían numerosos ejemplos de masticar con ruidos de crujidos. Los modelos generativos de IA funcionan como sistemas de predicción de patrones, confiando en datos de entrenamiento suficientes en diversos tipos de medios para producir resultados convincentes.

Cuando ciertos conceptos están sobre- o subrepresentados en esos datos, esto puede generar artefactos peculiares en las producciones, como este. También probamos nosotros el prompt en Veo 3, pero "Will Smith" fue bloqueado por los filtros de contenido de Google. Sin embargo, usando el prompt "Un hombre negro comiendo espaguetis", se produjo un efecto de sonido crujiente similar (es posible que Lopez haya tenido acceso temprano sin filtros o que haya experimentado con variaciones de prompts que pasaron los filtros). Veo 3 impresiona por su capacidad para generar diálogos coherentes y música, ya inspirando numerosos ejemplos impactantes en X. Sin querer limitarse solo a un video de un hombre comiendo fideos muy al dente, probamos si la figura podía cantar y comer al mismo tiempo con la instrucción: “Un hombre cantando una ópera de comedia en inglés sobre espaguetis en una mesa de cocina mientras los come”. Hemos avanzado mucho desde 2023, y los generadores de videos con IA continuarán mejorando en realismo y funcionalidad. Si no fuera por el filtro actual de celebridades de Veo 3, podríamos fácilmente crear videos de Smith cantando—o haciendo casi cualquier otra cosa—destacando las preocupaciones potenciales en torno a la tecnología de videos con IA. La singularidad cultural se acerca rápidamente. En esa línea, recientemente realizamos nuestra propia serie extensa de pruebas de generación de videos con Veo 3 y pronto compartiremos esos resultados en una sección especial. Por ahora, considere esto una breve actualización sobre elpríncipe de la canción de fideos. ¡Bon appétit!