Esmaspäeval tutvustas Google uut AI-video sünteesimudelit Veo 3, mis suudab saavutada midagi, mida ükski suur AI-video generaator varem ei ole suutnud: sünteesida üheaegselt sünkroniseeritud heli- ja videostsenaariumit. Aastatel 2022–2024 olid varajased AI-l põhinevad videod vaiksed ja üldiselt väga lühiajalised. Nüüd pakub Veo 3 kaheksakroonilisi kõrge definitsiooni klippe koos häälte, dialoogide ja heliefektidega. Pärast käivitamist esitasid inimesed kohe ilmselge mõõduka küsimuse: Kui hästi suudab Veo 3 luua võltsitud Oscarivõitnud näitleja Will Smithi, kes sööb spagette? Kiire kokkuvõte: AI videote "spagettide mõõdupuu" algas märtsis 2023, kui kasutati avatud lähtekoodiga sünteesimudelit nimega ModelScope loodud varajane, üsna ebameeldiv AI-generatsiooniga video. See spagetivideo saavutas nii palju tuntust, et Smith parodeeris seda peaaegu aasta hiljem, 2024. veebruaris. Siin on meeldetuletus sellest, kuidas originaalviiruslik video välja nägi: Moe sageli unustatakse, et tol ajal ei tehtud Smithi paroodiaga tõeliselt parimat AI-video generaatorit, vaid juba Runway'i Gen-2 mudel oli andnud kvaliteetsemad tulemused, kuigi see polnud veel avalikult saadaval. Still, ModelScope'i versioon oli piisavalt kummaline ja meeldejääv, et sellest saaks varajaste AI-videote piirangute viide, kui tehnoloogia arenes. Veelsel nädalal reageeris AI rakenduse arendaja Javi Lopez fännidele, kes soovisid spagettide testi Veo 3 abil uuesti katsetada, jagades oma tulemusi X-is. Kuid vaatamise ajal tundus heliriba eriline: võlts Smith kõlas nagu ta mälus näriks spagette. See rike tekitas Veo 3 eksperimentaalse võime tõttu lisada heliefekte, tõenäoliselt kuna selle treeningandmetesse oli kaasatud palju näiteid närimisest koos krõmpsuva heliga. Generatiivsed AI-mudelid toimivad muster-põhise ennustussüsteemina, sõltuvalt piisavast koolitusandmestikust erinevates meediasisendites, et genereerida veenvaid tulemusi.

Kui teatud kontseptsioone on andmestikus üle- või alareivestatud, tekivad sellised kummalised genereerimisvead. Meie ise jooksutasime ka Veo 3-le sama päringu, kuid "Will Smith" oli Google'i sisu filtrite poolt blokeeritud. Kasutades päringut "Must mees, kes sööb spagette", saime aga sarnaneva krõmpsuva heliefekti (võib-olla oli Lopezil varajane vabaduskatsetuse ligipääs või experimentaalsed variandid, mis ei olnud filtriga takistatud). Veo 3 muljetab oma võimega genereerida järjepidevat dialoogi ja muusikat ning inspireerib juba paljusid silmapaistvaid näiteid X-is. Ei soovinud piirduda vaid mehega, kes sööb väga al dente nuudleid, vaid katsetasime, kas figuur võiks laulda ja samal ajal süüa, kasutades päringut: "Mees lauleb inglisekeelset komöödiateatri ooperit spagettide kohta, tehes seda köögilauas samal ajal sõõrdes". Meie oleme saavutanud märkimisväärset arengut alates 2023. aastast ning AI-video generaatorid jätkavad realismi ja funktsionaalsuse paranemist. Kui praegune Veo 3 kuulsusfiltri poleks, võiksime kergesti luua videoid Smithist laulmas või teinud peaaegu kõike muud – mis kõneleb AI-videote tehnoloogia võimalikest probleemidest. Kultuuriline singulariteet on kiiresti lähenemas. Sel puhul viisime hiljuti läbi oma ulatusliku videogenesisitesti sarja Veo 3 abil ja jagame need tulemused peagi spetsiaalses artiklis. Praegu on see lühike ülevaade noodlipreili värskest ajast. Bon appétit!