मंगलवार को, Google ने Veo 3 का अनावरण किया, जो एक नया AI वीडियो संश्लेषण मॉडल है और ऐसी बात हासिल करने में सक्षम है जो किसी भी प्रमुख AI वीडियो निर्माता ने पहले तक नहीं की थी: वीडियो के साथ एक सिंक्रोनाइज्ड ऑडियो ट्रैक बनाना। 2022 से 2024 के बीच, शुरुआती AI-निर्मित वीडियो बिना आवाज के और अक्सर बहुत संक्षिप्त थे। अब, Veo 3 आठ सेकंड के उच्च परिभाषा क्लिप प्रदान करता है जिनमें आवाज़ें, संवाद और ध्वनि प्रभाव शामिल हैं। लॉन्च के तुरंत बाद, लोगों ने तुरंत ही स्पष्ट मानक सवाल पूछा: Veo 3 कितनी अच्छी तरह से ओस्कर विजेता अभिनेता विल स्मिथ को पास्ता खाते हुए फेक कर सकता है? संक्षेप में: AI वीडियो में "स्पaghetti मानक" मार्च 2023 में शुरू हुआ जब एक शुरुआती, कुछ विचलित करने वाली AI-निर्मित वीडियो बनाई गई थी जिसमें एक खुले-स्रोत संश्लेषण मॉडल called ModelScope का इस्तेमाल किया गया था। वह स्पaghetti का उदाहरण इतना प्रसिद्ध हुआ कि स्मिथ ने उस पर लगभग एक साल बाद, फरवरी 2024 में, खाल उड़ाई। यहां याद दिलाया गया कि मूल वायरल वीडियो कैसा दिखता था: अक्सर यह भूल जाते हैं कि उस समय, स्मिथ की ये नकल सबसे अच्छी AI वीडियो जनरेटर से नहीं बनाई गई थी—एक मॉडल called Gen-2 from Runway ने पहले ही बेहतर गुणवत्ता वाले परिणाम दे दिए थे, हालांकि वह अभी सार्वजनिक रूप से उपलब्ध नहीं था। फिर भी, ModelScope संस्करण इतना अद्भुत और यादगार था कि वह शुरुआती AI वीडियो की सीमाओं का संदर्भ बन गया, जैसे-जैसे तकनीक विकसित हुई। इस सप्ताह की शुरुआत में, AI ऐप डेवलपर Javi Lopez ने उन प्रशंसकों का जवाब दिया जो Veo 3 का उपयोग करके पास्ता परीक्षण फिर से देखना चाहते थे, और अपने निष्कर्ष X पर साझा किए। हालांकि, परिणाम देखने पर, ऑडियो ट्रैक कुछ अजीब लगा: नकली स्मिथ ऐसा लग रहा था मानो वह पास्ता crunch कर रहा हो। यह गड़बड़ी Veo 3 की प्रयोगात्मक क्षमता से आई है कि वह ध्वनि प्रभाव जोड़ सके, संभवतः क्योंकि उसके प्रशिक्षण डेटा में बहुत सारे चबाने और crunching की आवाज़ों के उदाहरण थे। जेनरेटिव AI मॉडल पैटर्न-मिलान भविष्यवाणी प्रणालियाँ हैं, जो पर्याप्त प्रशिक्षण डेटा पर निर्भर होती हैं ताकि विश्वसनीय परिणाम उत्पन्न किए जा सकें। जब डेटा में कुछ विचार अधिक या कम प्रतिशत में शामिल होते हैं, तो यह ऐसी अद्भुत जेनरेशन विशेषताएँ सामने लाता है। हमने खुद भी Veo 3 पर प्रॉम्प्ट चलाया, लेकिन "Will Smith" को Google के सामग्री फ़िल्टर ने ब्लॉक कर दिया। हालांकि, "A black man eating spaghetti" के प्रॉम्प्ट से मिलती-जुलती crunching आवाज़ का असर हुआ (शायद Lopez को प्रारंभिक फ़िल्टर-मुक्त पहुंच मिली थी, या उन्होंने प्रॉम्प्ट वैरिएशन्स के साथ प्रयोग किया जो फ़िल्टर से बच गए)। Veo 3 अपने तार्किक संवाद और संगीत उत्पादन की क्षमता से प्रभाव डालता है, और इससे पहले ही X पर कई प्रभावशाली उदाहरण सामने आए हैं। सिर्फ एक आदमी को बहुत अल डेंटी नूडल्स खाते देखने से बेहतर था कि हम देखें कि क्या वह एक साथ गा भी सकता है और खा भी सकता है, इसके लिए हमने प्रॉम्प्ट दिया: "एक आदमी इंग्लिश-भाषा की कॉमेडी ओपेरा गाते हुए, रसोई टेबल पर स्पaghetti के बारे में, जबकि वह उसे खा रहा है।" 2023 से हमने काफी प्रगति की है, और AI वीडियो जनरेटर और भी अधिक यथार्थवादी और कार्यक्षम होते रहेंगे। यदि Veo 3 के वर्तमान सेलेब्रिटी फ़िल्टर नहीं होता, तो हम आसानी से स्मिथ को गाते या कुछ भी करते हुए वीडियो बना सकते थे—जो AI वीडियो तकनीक के आस-पास के संभावित चिंताओं को उजागर करता है। यह सांस्कृतिक एकात्मकता तेजी से आगे बढ़ रही है। उस संदर्भ में, हमने हाल ही में Veo 3 के साथ अपनी विस्तृत वीडियो निर्माण परीक्षण की एक श्रृंखला की और जल्द ही उन नतीजों को एक विशेष लेख के रूप में साझा करेंगे। फिलहाल के लिए, इसे नोडल टाइम के फ्रेश प्रिंस पर एक संक्षिप्त अपडेट मानिए। बोन एपेटिट!