U utorak je Google predstavio Veo 3, novi model umjetne inteligencije za sintezu videa koji može postići nešto što nijedan veći AI generator videa ranije nije uspio: proizvodnju sinkroniziranog audio zapisa uz video. Od 2022. do 2024. , rani AI-izgrađeni videi bili su tihi i općenito vrlo kratki. Sada Veo 3 pruža osamsekundne visokorezolucijske isječke s glasovima, dijalogom i zvučnim efektima. Nakon lansiranja, ljudi su odmah postavili očigledno pitanje: Koliko dobro Veo 3 može lažirati Oscara-osvojitelja Williama Smitha kako jede špagete? Brzi podsjetnik: "Špagetovski pragmatik" u AI videozapisima započeo je u ožujku 2023. s ranim, pomalo uznemirujućim videom generiranim pomoću otvorenog izvornog modela sinteze pod nazivom ModelScope. Taj primjer špageta postao je toliko poznat da ga je Smith gotovo godinu dana kasnije, u veljači 2024. , imitirao. Evo podsjetnika na to kako je originalni viralni video izgledao: Ono što se često zaboravlja jest da tada, Smithova parodija nije bila proizvedena najboljim dostupnim AI generatorom videa — modelom pod nazivom Gen-2 od Runwayja, koji je već isporučivao kvalitetnije rezultate, iako još nije bio javno dostupan. Ipak, verzija ModelScopea bila je čudna i dovoljno zapamćena da postane referentna točka za rane ograničenosti AI videa kako je tehnologija napredovala. Ranije ovog tjedna, razvojni programer AI aplikacija Javi Lopez odgovorio je obožavateljima željnima da ponovno isprobaju špaget test s Veo 3, dijeleći svoja zapažanja na X. Međutim, dok je gledao rezultate, glasovna podloga djelovala je neobično: lažni Smith zvučao je kao da žvače špagete. Ova se pogreška javlja zbog eksperimentalne sposobnosti Veo 3 da dodaje zvučne efekte, vjerojatno zato što su podaci za obuku uključivali brojne primjere žvakanja s krckajućim zvukovima.

Generativni modeli umjetne inteligencije funkcioniraju kao sustavi za prepoznavanje uzoraka i predviđanja, oslanjajući se na dovoljne količine podataka iz različitih medija za stvaranje uvjerljivih izlaza. Kad su neki koncepti previše ili premalo zastupljeni u tim podacima, javljaju se čudni artefakti generiranja poput ovog. Također smo sami pokušali s upitom na Veo 3, ali "Will Smith" bio je blokiran Googleovim filtrima sadržaja. Međutim, upotrebom upita "Crnac koji jede špagete" dobili smo sličan efekt krckanja (možda je Lopez ranije imao pristup bez filtera ili eksperimentirao s varijacijama upita koje su prošle kroz filter). Veo 3 impresionira svojom sposobnošću da generira koherentan dijalog i glazbu, već inspirirajući brojne dojmljive primjere na X. Ne želeći stati samo na videu čovjeka koji jede vrlo čvrste al dente tjestenine, testirali smo može li figura istovremeno pjevati i jesti—kao prompt: "Muškarac koji pjeva anglofonsku komičnu operu o špagetama za kuhinjskim stolom dok ih jede. " Napravili smo značajan napredak od 2023. , a generatori AI videa i dalje će napredovati u realističnosti i funkcionalnosti. Da Veo 3 trenutno nema filtre za slavne osobe, lako bismo mogli izraditi video Smitha kako pjeva—ili radi gotovo bilo što drugo—što ističe potencijalne zabrinutosti oko tehnologije AI videa. Kulturalna singularnost brzo se približava. U tom duhu, nedavno smo proveli vlastitu opsežnu seriju testova generiranja videa s Veo 3 i te rezultate uskoro ćemo podijeliti u posebnim člancima. Za sada, smatrate ovo kratkim osvrtom na "Fresh Prince of Noodletime. " Dobar tek!