ചൊവ്വാഴ്ച, ഗൂഗിൾ ഹിതം കണ്ടു വേഓ 3 എന്ന പുതിയ AI വീഡിയോ സിന്തസിസ് മോഡലിനെ പുകർത്തി, ഇത് മുമ്പ് വലിയ AI വീഡിയോ ജനറേറ്ററുകൾ നേടാനായിട്ടില്ലാത്ത ഒരു കാര്യ senaയം അനുകരിക്കാനാണ്ഡം: വീഡിയോയോടൊപ്പം സമന്വയിപ്പിച്ച ശബ്ദ ട്രാക്കും ഉണ്ടാകുന്നു. 2022 നും 2024 നും ഇടയിൽ, ആദ്യം ഉണ്ടാക്കിയ AI-ഉള്ള വീഡിയോകൾ ശബ്ദമില്ലാതെ വളരെ ചെറിയവയായിരുന്നു. ഇപ്പോൾ, വേഓ 3 എട്ട് സെക്കന്റ് ഹൈ-ഡെഫിനിഷൻ ക്ലിപ്പുകൾ ശബ്ദങ്ങൾ, സംഭാഷണം, ശബ്ദ പ്രഭാഷണങ്ങൾ എന്നിവയോടുകൂടി നൽകുന്നു. ലाँचിനുശേഷം, ആളുകൾ താത്ക്കളികമായി ചോദിച്ചു: വേഓ 3 ഒറ്റത്തവണ ഒസ്കാർ വിജയിയായ ഇരുവരും ആയ വിൽ സ്മിത്ത് സ്പാഗറ്റി കഴിക്കുന്നതിനെ എത്ര നല്ലപോലെ കൃത്രിമമാക്കും? സംക്ഷേപം: AI വീഡിയോയിൽ "സ്പാഗറ്റി മേഴാത്ത അളക്കൽ" മാർച്ച് 2023 ല് ആരംഭിച്ചു, ഒറിജിനൽ, അൽപം അബദ്ധകരമായ AI സിന്തസിസ് വീഡിയോ ഒരു ഓപ്പൺ സോഴ്സ് മോഡൽ. ഈ സ്‌പാഗറ്റി ഉദാഹരണം അത്ര പ്രശസ്തമായിരുന്നു, അതുകൊണ്ട് സ്മിത്ത് ഇതിനെ כמעט ഒരു വർഷത്തേക്കാൾ കൂടി, 2024 ഫെബ്രുവരി സെക്കന്റെ അനുകരണം ചെയ്തു. ഇവിടെ ഓ rijeଣൽ വൈറൽ വീഡിയൊയുടെ ചിത്രം കാണാം: അത് ഓർക്കാമായിരുന്നു: ആ സമയത്ത്, സ്മിത്ത് പാരഡിയുടെ ഏറ്റവും മികച്ച AI വീഡിയോ ജനറേറ്റർ ഉപയോഗിച്ചിരുന്നില്ല — റൺവോയുടെ ജെൻ-2 എന്ന മോഡലു പിന്നീട് അതിന്റെ മേലുള്ള ഗുണനിലവാരമുള്ള ഫലങ്ങൾ നൽകിയിരുന്നതായി, പക്ഷേ അത് ഏതാനും ദിവസങ്ങൾക്കകം പൊതുവിൽ ലഭ്യമാകാനായിരുന്നില്ല. എന്നിരുന്നാലും, മോഡൽസ്കോപ് പതിപ്പ് അത്ര വിചിത്രവും ഓർമിക്കാവുന്നതുമായിരുന്നു, ഇത് തുടക്കം കുറിച്ച AI വീഡിയോത്തിലെ പരിധികളെ അടയാളപ്പെടുത്തുന്നതായി. മേൾക്ക്, എഐ അപ്ലിക്കേഷൻ ഡവലപ്പർ ജാവി ലോപെസ് ഇതിനോടകം "സ്പാഗറ്റി ടെസ്റ്റ്" വീണ്ടും പരിശോധിക്കാൻ താത്പര്യമുള്ള താരങ്ങളെ പിൻവലിച്ചുകൊണ്ട് X-ൽ തന്റെ കണ്ടുപിടുത്തുകൾ പങ്കുവെച്ചു. എന്നാൽ ഫലങ്ങൾ കണ്ടപ്പോൾ, ഓഡിയോ അസാധാരണമായിരുന്നു: തള്ളലുണ്ടായ സ്മിത്ത് സ്പാഗറ്റി ചവിട്ടി കാണും പോലെ ശബ്ദം ഉണ്ടാക്കെ. ഈ തകരാറിന്റെ കാരണം വേഓ 3ന്റെ പരീക്ഷ്ണയിലുള്ള ശബ്ദ പ്രഭാഷണങ്ങൾ കൂട്ടിച്ചേർക്കാനുള്ള സാധ്യതയാണ്, കാരണം അതിന്റെ പരിശീലന ഡാറ്റയിൽ ചവിട്ടലും കുരക്കുന്നതും ഉള്ള നിരവധി ഉദാഹരണങ്ങൾ ഉണ്ടായിരുന്നതിനാൽ. ജനറേറ്റീവ് AI മോഡലുകൾ പാടകലക്കാനുൽപ്പന്നങ്ങളായി പ്രവർത്തിക്കുന്നു, വിശ്വാസ്യതയുള്ള ഔട്ട്പുട്ട് ഉണ്ടാക്കാനായി വിവിധ മാധ്യമങ്ങളിലെ മതിയായ പരിശീലന ഡാറ്റയിലേറെ ആശ്രയിച്ചിരിക്കുന്നു.

ചില ആശയങ്ങൾ അതിൽ അനധികൃതമായി കൂടുതലോ കുറവോ വരുന്നത്, ഇത്തരം ദോഷങ്ങളിലേക്ക് നയിക്കുന്നു. നാം തന്നെakeunച്ചുതുടങ്ങിയുതന്നെ, "വിൽ സ്മിത്ത്" എന്നത് ഗൂഗിൾയുടെ ഉള്ളടക്കം ഫിൽറ്ററുകൾ തടഞ്ഞുവെച്ചു. അതിനെ പകരം "ഒരു കള്ളക്കൂട്ടനെ സ്പാഗറ്റി കഴിക്കുമ്പോൾ" എന്ന് പറഞ്ഞാൽ, സമാനമായ കുരക്കൽ ശബ്ദം ഉണ്ടാകുകയുണ്ടായി (ലോപെസ് താംശമായുള്ള ഫിൽറ്റർ ഇല്ലാതായിട്ടുണ്ടാകാമോ, അല്ലെങ്കിൽ പരീക്ഷണമോ അതിലുണ്ട്). വേഓ 3 ഉയർന്ന ബൗദ്ധികത, സംഗീതം, സംഭാഷണം എന്നിവ സൃഷ്ടിക്കുന്നതിനാണ് വ്യവസ്ഥിതമായെടുത്തിരിക്കുന്നു, ഇതിനാലാണ് X-ൽ ലക്ഷ്യമിടുന്ന നിരവധി മനോഹര ഉദാഹരണങ്ങൾ. ഒരു വ്യക്തി വളരെ അത്ഭുതകരമായ നോഡിൽസ് കഴിക്കുന്ന വീഡിയോ മാത്രമല്ല, അതേ സമയം പാടാനും കഴിക്കുന്നതിനു കഴിയുമോ എന്ന് പരിശോധിക്കാൻ "ഒരു പുരുഷൻ ഇംഗ്ലീഷ് കോമഡി ഓപ്പറ പ്രവേശിപ്പിച്ച് ചിരിയ്ക്കാനായി പാചകമേഖലയിൽ സ്പാഗറ്റി പാടുകയും ഭക്ഷ്യവും കഴിക്കുകയും ചെയ്യുന്ന ചിത്രം" എന്ന പ്രേംപ്റ്റ് ഉപയോഗിച്ചു. 2023 മുതലുള്ള വലിയ പുരോഗതിയുമായി, AI വീഡിയോ ജനറേറ്ററുകൾ കൂടുതൽ യാഥാർത്ഥ്യത്തിൽ ഉള്ള, പ്രവർത്തനക്ഷമമായ രീതിയിൽ പുരോഗമിക്കുന്നു. വേഓ 3ന്റെ ഇപ്പോള്‍ கொண்ட സെലിബ്രിറ്റി ഫിൽറ്റർ ഇല്ലായിരുന്നെങ്കിൽ, സ്മിത്ത് പാടുന്നവരെയോ ഏതെങ്കിലും മറ്റേതെങ്കിലും സ്ഥിരം പ്രവർത്തനങ്ങളായിട്ടൊ നിർമ്മിച്ചേക്കാമായിരുന്നു—ഇതുകണ്ടു AI വീഡിയോ സാങ്കേതികവിദ്യയുടെ ഭാവി സംബന്ധിച്ച ചില ആശങ്കകൾ ഉയരുന്നു. സംസ്കാരിക ഏകാന്തത അതിവേഗത്തിൽ അടുത്തുകൊണ്ടിരിക്കുന്നു. അതോടെ, നമ്മൾ തന്നെ വേഓ 3 ഉപയോഗിച്ച് ഒരു വിശാലമായ വീഡിയോ നിർമ്മാണ പരീക്ഷണങ്ങൾ നടത്തി, അത് ഉടൻ തന്നെ പ്രത്യേക ലേഖനത്തിൽ പങ്കുവെയ്ക്കും. ഇപ്പോൾ ഇത് ഒരു സംക്ഷിപ്ത അപ്‌ഡേറ്റാണ്, "ന്യൂഡോളറ്റൈം" എന്ന പേരിൽ. സ്വാദിഷ്ടമായ്!