Otrdien Google iepazīstināja ar Veo 3, jaunu AI video sintēzes modeli, kas spēj sasniegt kaut ko, ko līdz šim neviens galvenais AI video ģenerators nav spējis: radīt sinhronu audio ierakstu kopā ar video. Laikposmā no 2022. līdz 2024. gadam agrīnie AI radītie video bija klusi un parasti ļoti īsi. Tagad Veo 3 sniedz astoņus sekunžu garus augstas izšķirtspējas klipi ar balsīm, dialogiem un skaņas efektiem. Pēc palaišanas cilvēki uzreiz uzdeva acīmredzamo salīdzināšanas jautājumu: cik labi Veo 3 spēj imitēt Oscar balvu ieguvušo aktieri Vilu Smitu ēdot spageti? Īss atskats: “spageti kritērijs” AI video pasaulē sākās 2023. gada martā ar agrīnu, diezgan satraucošu AI radītu video, kas tika izveidots ar atklātas pirmkoda sintēzes modeli, ko sauc ModelScope. Šis spageti piemērs kļuva tik plaši pazīstams, ka Vilu Smitu to pieaicina gandrīz gadu vēlāk, 2024. gada februārī. Lūk, atgādinājums, kā izskatījās oriģinālais vīrālais video: Bieži vien ir aizmirsts, ka tajā laikā Smitu parodija netika izveidota ar labāko pieejamo AI video ģeneratoru — modeli ar nosaukumu Gen-2 no Runway jau bija nodrošinājis kvalitatīvākus rezultātus, lai gan tas vēl nebija publiski pieejams. Tomēr ModelScope versija bija gana sākotnēji neparasta un atmiņā paliekoša, lai kļūtu par atsauces punktu pirmajām AI video ierobežojumiem, jo tehnoloģija attīstījās. Šīs nedēļas sākumā AI lietojumprogrammu izstrādātājs Havi Lopeza atbildēja uz faniem, kuri vēlējās atkārtoti pārbaudīt spageti testu ar Veo 3, daloties ar saviem novērojumiem X platformā. Taču, vērojot rezultātus, skaņas pavadījums šķita neparasts: mākslīgais Smits skanēja it kā kracētu spageti. Šo kļūdu izraisīja Veo 3 eksperimentālā spēja pievienot skaņas efektus, iespējams, tāpēc, ka tās mācību datos bija iekļauti daudzi piemēri koši krācēju skaņām.

Generatīvās AI modeļi darbojas kā modeļu sakritības prognožu sistēmas, kuru darbībā ir nepieciešami pietiekami daudz dažāda mediju veidos iekļautu mācību datu, lai radītu pārliecinošus rezultātus. Ja kādi jēdzieni ir pārstādīti vai nepietiekami pārstādīti šajos datos, tas novedu pie dīvainām ģenerēšanas iezīmēm kā šī. Mēs paši arī pārbaudījām šo uz Veo 3, taču “Vil Smitu” Google satura filtrs bloķēja. Bet, izmantojot aktuālo frāzi “Melns vīrietis ēd spageti”, tika radīts līdzīgs krācēju efekts (attiecībā uz to varbūt bija agrīna bezfiltru piekļuve vai eksperimentēšana ar variantiem, kuri pabijās cauri). Veo 3 priecē ar savu spēju radīt sakarīgu dialogu un mūziku, jau iedvesmojot vairākus iespaidīgus piemērus X platformā. Negribējām apstāties tikai pie video par vīrieti, kurš ēd ļoti al dente makaronus, tāpēc pārbaudījām, vai šī aina varētu arī dziedāt, vienlaikus ēdot, ievadot: “Vīrietis dzied angļu valodā komēdijas operu par spageti, sēžot pie virtuves galda un ēdot to. ” No 2023. gada kopš mēs to darījām, ir notikuši ievērojami uzlabojumi, un AI video ģeneratori turpinās kļūt aizvien reālistiskāki un funkcionālāki. Ja nebūtu Veo 3 pašlaik izmantotā slavenu personu filtra, mēs viegli varētu izveidot videoklipus ar Smitu dziedam vai darot gandrīz jebko citu — kas uzsver potenciālos satraukumus par AI video tehnoloģiju. Kultūras singularitāte tuvojas strauji. Ar šo saistībā nesen veicām paši plašu video ģenerēšanas testu sēriju ar Veo 3, un drīzumā atklāsim šos rezultātus īpašā rakstā. Pa to laiku, uzskatiet to par īsu atjauninājumu par „Nūdļu laika” jauno Princu. Labas apētīšanas!