Tiistaina Google esitteli Veo 3:n, uuden tekoälyvideon synteesimallin, joka pystyy saavuttamaan jotain, mihin mikään suurista tekoälyvideogeneraattoreista ei ole aiemmin kyennyt: synnyttämään synkronoitua ääniraitaa videon kanssa. Vuoden 2022 ja 2024 välillä varhaiset tekoälyn luomat videot olivat hiljaisia ja yleensä hyvin lyhyitä. Nyt Veo 3 tuottaa kahdeksan sekunnin kristallinkimpiarvioita, joissa on ääniä, vuoropuhelua ja ääniefektejä. Julkaisun jälkeen ihmiset esittivät heti ilmiselvän vertailupisteen kysymyksen: Kuinka hyvin Veo 3 pystyy väärennöksessä Oscar-voittajasta näyttelijä Will Smithistä, joka syö spagettia? Pikakatsaus: "Spagetti-vertailu" tekoälyvideoissa alkoi maaliskuussa 2023 varhaisesta, melko epämiellyttävästä tekoälyn luomasta videosta, jonka oli tehnyt avoimen lähdekoodin synteesimalli nimeltä ModelScope. Tämä spagettiesimerkki tuli niin tunnetuksi, että Smith teki siihen pilan lähes vuosi myöhemmin, helmikuussa 2024. Tässä muistutus siitä, miltä alkuperäinen viraalinen video näytti: Usein unohtuu, että tuolloin Smithin pilaa ei ollut tehty parhaalla saatavilla olevalla tekoälyvideogeneraattorilla—aikaisemmin korkealaatuisempia tuloksia oli jo tuottanut Runwayn Gen-2-malli, vaikka se ei ollut vielä julkisesti käytettävissä. Silti ModelScope-versio oli niin outo ja mieleenpainuva, että siitä tuli viitekohta tekoälyvideoiden alkuvaiheen rajoituksille teknologian kehittyessä. Tämän viikon alussa tekoälysovellusten kehittäjä Javi Lopez reagoi faneihin, jotka halusivat palata spagettitestiin Veo 3:n kanssa, ja jakoi löytönsä X-sivustolla. Katsoessaan tuloksia ääni oli kuitenkin epätavallinen: väärennetty Smith kuulosti kuin hän olisi pureskellut spagettia. Tämä häiriö johtuu Veo 3:n kokeellisesta kyvystä lisätä ääniefektejä, luultavasti koska sen koulutusdata sisälsi runsaasti esimerkkejä pureskelusta ja ruskutuksesta. Generatiiviset tekoälymallit toimivat mallintamassa toistuvia ennusteita, jotka perustuvat riittävään opiskelutietoon eri medioista saavuttaakseen uskottavia tuloksia.

Kun tietyt käsitteet ovat liioitellusti tai liian vähän edustettuina datassa, syntyy outoja artiikoita, kuten tämä. Testasimme myös itse kehotteen Veo 3:lla, mutta "Will Smith" oli estetty Googlen sisällönsuodatuksen kautta. Sen sijaan kehotteella "Musta mies syö spagettia" tuloksena saatiin samanlainen ruskutuksen kuuloinen efektin (Lopezilla saattoi olla aikainen, suodattamaton pääsy tai hän saattoi kokeilla kehotusvaihtoehtoja, jotka menivät läpi). Veo 3 yllättää kykynsä kanssa luoda johdonmukaista vuoropuhelua ja musiikkia, mikä on jo inspiroinut useita vaikuttavia esimerkkejä X-sivustolla. Etsimättä vain videota miehestä, joka syö erittäin al dente -pastaa, testasimme, voisiko hahmo myös laulamalla ja syöden samaan aikaan, kehotteella: "Mies laulaa englanninkielistä komediaoopperaa spagetista keittiöpöydän ääressä samalla syöden sitä. " Olemme edistyneet merkittävästi vuodesta 2023 lähtien, ja tekoälyvideogeneraattorit kehittyvät entistä realistisemmiksi ja toimivammiksi. Jollei Veo 3:n nykyinen julkkisrajoitinesto olisi, voisimme helposti luoda videoita Smithistä laulamassa—tai tekevänpä mitä tahansa muuta—mikä korostaa tekoälyvideoteknologian mahdollisia huolia. Kulttuurinen singulariteetti lähestyy vauhdilla. Sitä varten olemme äskettäin tehneet oman laajan sarjan videotuotestauksia Veo 3:lla, ja jaamme nämä tulokset pian omassa erillisessä artikkelissa. Toistaiseksi tämä oli pieni päivitys Nooding Prince -ajasta. Hyvää ruokahalua!