Вторникот беше ден кога Google претстави Veo 3, нов модел за синтеза на видео со вештачка интелигенција кој може да постигне нешто што досега не го имал направено ниеден голем генератор за видео со вештачка интелигенција: создавање синхронизирана аудио-подлога со видеото. Од 2022 до 2024 година, првите видео снимки generated од AI беа тивки и генерално многу кратки. Сега, Veo 3 нуди осумсекундни видеа во високата резолуција со гласови, дијалози и звучни ефекти. По лансирањето, луѓето веднаш поставија едно јасно прашање за тестирање: Колку добро Veo 3 може да фалсификува актерот кој освоил Оскар, Вил Смит, како јаде спагети? Краток преглед: „спагетскиот тест“ со AI видео започна во март 2023 година со едно рано, прилично вознемирувачко видео создадено со отворен извор модел за синтеза наречен ModelScope. Тој пример со спагети стана толку познат што Смит го имитира скоро една година подоцна, во февруари 2024 година. Еве потсетник како изгледаше оригиналното вирусно видео: Она што често се заборава е дека во тоа време, пародијата на Смит не беше создадена со најдобриот достапен AI модел за видео – моделот наречен Gen-2 од Runway, веќе испорачуваше подобри резултати, иако тогаш не беше јавно достапен. И сепак, верзијата на ModelScope беше чудна и доволно забележителна за да стане референца за ограничувањата на раниот AI видео технологија како што напредуваше. Преовчера, развивачот на AI апликации Јави Лопез одговори на желните фанови да ја повторат спагетската проверка со Veo 3, споделувајќи ги своите наоди на X. Сепак, кога ги гледаше резултатите, звукот во видеото изгледаше чудно: фалсификуваниот Смит звучеше како да јаде спагети и тоа грицкајќи. Овој проблем произлегува од експерименталната способност на Veo 3 да додава звучни ефекти, најверојатно затоа што неговите тренинг податоци вклучувале многу примери на жвакање со крцкави звуци. Генеративните модели со вештачка интелигенција функционираат како системи за предвидување базирани на моделот на трагање по шаблони, зависејќи од доволно тренинг податоци од различни медиуми за да произведат убедливи резултати.

Кога одредени концепти се претерано или недоволно присутни во тие податоци, тоа може да резултира со необични артефакти како овој. Истовремено, ние самите го испробавме промптот на Veo 3, но „Will Smith“ беше блокиран од филтрите на Google. Обидот со промптот „Црн човек јаде спагети“ пак, произведе сличен крцкаво-звучен ефект (можеби Лопез имал ранен пристап без филтри, или експериментирал со варијации на промпт што минале преку филтрите). Veo 3 импресионира со својата способност да создава когерентен дијалог и музика, веќе инспирирајќи бројни впечатливи примери на X. Не сакајќи да се ограничиме само на видео кадар на човек кој јаде многу ал денте тестенини, ние тестиравме дали тој лик може да пее и да јаде во исто време, со промпт: „Маж пее англиска комедијална опера за спагети додека јаде на кујнски стол. “ Направивме значителен напредок од 2023 година, а генераторите за видео со вештачка интелигенција ќе продолжат да се подобруваат во реализмот и функционалноста. Бидејќи не беше flag-нат Veo 3 за познати личности, лесно можевме да креираме видеа со Смит како пее—или прави нешто сосема друго—што ја нагласува потенцијалната загриженост околу технологијата за видео со AI. Социјалната интелигенција е брзо на доближување. На таа тема, неодамна спроведовме наш сопствена серија обемни тестирања на видео генерација со Veo 3 и наскоро ќе ги споделиме резултатите во посебна статија. Засега, ова е кратка информација за „Fresh Prince of noodletime“. Добар апетит!