मंगळवार दिनी, Google ने Veo 3 नावाचा नवीन AI व्हिडिओ संश्लेषण मॉडेल लाँच केले, जे तेजस्वीपणे अशी काही कामगिरी करतंय जी कोणत्याही प्रमुख AI व्हिडिओ जनरेटरने आधी कधीही पूर्ण केली नाही: व्हिडिओसोबत सुसंगत ऑडिओ ट्रॅक तयार करणे. 2022 ते 2024 या कालावधीत, प्रारंभिक AI-निर्मित व्हिडिओंनी कोणताही आवाज राहिलेला नसे आणि बऱ्याच वेळेस खूपच लहान असायचे. आत्ता, Veo 3 आठ सेकण्डांचे उच्च-गुणवत्तेचे क्लिप्स आवाज, संवाद, आणि ध्वनी प्रभावांसह पुरवतो. लाँच केल्यावर, लोकांनी त्वरित अगदीच समर्पक प्रश्न विचारला: Veo 3 किती चांगले Oscar जिंकलंले अभिनेता विल स्मिथ स्पॅगेटी खाताना भासवू शकतो? थोडक्यात रीपीट: AI व्हिडिओमधील "स्पॅगेटी बेंचमार्क" मार्च 2023 मध्ये सुरुवात झाली, जेव्हा ModelScope नावाच्या उघड्या स्त्रोत संश्लेषण मॉडेलचा वापर करून एक सुरुवातीचा, जरा अस्वस्थ करणारा AI-निर्मित व्हिडिओ तयार करण्यात आला. त्या स्पॅगेटीच्या उदाहरणाने इतके प्रसिद्ध झाले की, स्मिथने ते जरा वर्षानंतर, फेब्रुवारी 2024 मध्ये, त्यास खोडाळूपणे पुनर्रावृत्ती केली. मूळ व्हायरल व्हिडिओ काय दिसायचा याची आठवण करून देतो: अवधानात आलेले असते की, त्या वेळी, स्मिथची परेड शक्य तितके सर्वोत्तम AI व्हिडिओ जनरेटर वापरून तयार केलेली नव्हती—Runway चे Gen-2 मॉडेल जवळपास गुणवत्तायुक्त परिणाम देऊ शकत होते, जरी ते सार्वजनिकरित्या उपलब्ध नव्हते. तरीही, ModelScope आवृत्ती काहीसे विचित्र व लक्ष वेधणारी होती, त्यामुळे ती लवकरच्या AI व्हिडिओ मर्यादांकडे लक्ष वेधणारी एक ठरली. या आठवड्याच्या सुरूवातीस, AI अॅप विकसक Javi Lopez ने, Veo 3 वापरून स्पॅगेटी चाचणी पुन्हा करतांना, त्याचे परिणाम X वर शेअर केले. परंतु, परिणाम पाहताना, ध्वनीपट चिनी काहीतरी वेगळीच वाटत होती: खोट्या स्मिथची आवाज ऐकताना जणू तो स्पॅगेटी खांसताना दाहक आवाज करत होता. हे glitches Veo 3 च्या प्रयोगात्मक क्षमतेमुळे आले असावेत, ज्या त्याच्या ध्वनी प्रभावांची जोडणी करण्याच्या क्षमतेच्या अनुसंधानामुळे संभवतात, मोठ्या प्रमाणावर चबण्याचा आणि खचखच आवाज असलेले अनेक उदाहरणे त्याच्या प्रशिक्षण डेटामध्ये समाविष्ट असल्यामुळे. उत्पादनात्मक AI मॉडेल्स हे संरचना जुळवण्यावर आधारित पूर्वीच्या कल्पना-ओळख प्रणाली आहेत, ज्यांना चालू मीडिया प्रकारांवर आधारित पुरेसा प्रशिक्षण डेटा लागतो, ज्यामुळे विश्वासार्ह परिणाम मिळतात.

जर विशिष्ट संकल्पना जास्त किंवा कमी दाखविल्या गेल्या असतील, तर त्याचा परिणाम अशा खास जनरेशनमध्ये दिसतो. आम्हीही स्वतःच Veo 3 वर "Will Smith" या टाकणीनं प्रयत्न केला, परंतु Google च्या सामग्री फिल्टरमुळे ते थांबवले गेले. तरी, “A black man eating spaghetti” असे प्रविष्ट केले असता, जसे खाण्याचा खाचखाच आवाज आला (बहुतेक तो जणू early filter-free access किंवा काही संशोधनात्मक प्रकारांनी प्रविष्टी विविध प्रकारांनी दिली असावी). Veo 3 त्याच्या समर्पक संवाद व संगीत निर्मितीत प्रभावी आहे, आणि X वर अनेक धक्कादायक उदाहरणे तयार झाली आहेत. पुरेसा व्हिडिओ एका व्यक्तीने खाण्यमध्ये इतका दलेजणारा असतो, यातून आम्ही हेही तपासत होतो की, त्या व्यक्तीने गाणंही म्हणावं आणि खाल्लंही जसे शक्य आहे का, म्हणून आम्ही प्रविष्ट केले: “A man singing an English-language comedy opera about spaghetti at a kitchen table while eating it. ” 2023 पासून आपण मोठ्या प्रगती केली आहे, आणि AI व्हिडिओ जनरेटर पुढील काळात अधिक वास्तववादी व कार्यक्षम होणार आहेत. जर Veo 3 च्या सध्याच्या सेलिब्रिटी फिल्टरची मर्यादा नसेल, तर आम्ही सहज स्मिथची गाणी म्हणणारी — किंवा तत्सम कोणतीही गोष्ट — व्हिडिओ तयार करु शकतो, ज्यामुळे AI व्हिडिओ तंत्रज्ञानाबाबत काही चिंता उद्भवतात. संस्कृतीतील एकवटलेपण लवकरच साध्य होत आहे. त्याचच संदर्भात, आम्ही नुकतेच Veo 3 सह आमचे स्वतःचे विस्तारपूर्ण व्हिडिओ निर्मिती चाचण्यांचे परिणाम आयोजित केले आणि लवकरच त्या अहवालले स्वतंत्र विशेषात सामायिक करू. तेवढ्यासाठी, हा "नोडलीज श्वास" वरचा थोडकासा अद्यतन मानावा. चव घेूया!