På tirsdag avduket Google Veo 3, en ny AI-basert videogenseringsmodell som kan oppnå noe ingen annen større AI-videogenerator har klart før: å produsere et synkronisert lydbilde sammen med videoen. Mellom 2022 og 2024 var tidlige AI-genererte videoer stille og vanligvis veldig korte. Nå leverer Veo 3 åsekunders HD-klipp komplett med stemmer, dialog og lydeffekter. Etter lanseringen stilte folk umiddelbart det åpenbare referanseknep-spørsmålet: Hvor godt kan Veo 3 late som å være Oscar-vinnende skuespiller Will Smith som spiser spaghetti? En rask oppsummering: "Spaghetti-referansen" i AI-video startet i mars 2023 med en tidlig, ganske urovekkende AI-generert video laget med en åpen kildekode-syntesemodell kalt ModelScope. Det eksempelet med spaghetti ble så kjent at Smith parodierte det nesten ett år senere, i februar 2024. Her er en påminnelse om hvordan den opprinnelige virale videoen så ut: Det som ofte blir glemt, er at den gang var ikke Smith-parodien laget med den beste tilgjengelige AI-videogeneratoren – en modell kalt Gen-2 fra Runway hadde allerede levert høyere kvalitet, selv om den ikke var offentlig tilgjengelig ennå. Likevel var ModelScope-versjonen merkelig og minneverdig nok til å bli et referansepunkt for tidlige begrensninger i AI-videoer etter hvert som teknologien utviklet seg. Tidligere denne uken svarte AI-appenutvikler Javi Lopez på fans som var ivrige etter å gjenoppleve spaghetti-testen med Veo 3, og delte sine observasjoner på X. Men da han så på resultatene, virket lydbildet merkelig: den falske Smith hørtes ut som om han knuste spaghetti. Denne feilen stammer fra Veo 3s eksperimentelle evne til å legge til lydeffekter, sannsynligvis fordi treningsdataene inneholdt mange eksempler på tygging med knasende lyder. Generative AI-modeller fungerer som mønstergjenkjennings- og prediksjonssystemer, som er avhengige av tilstrekkelige treningsdata på tvers av ulike medier for å produsere overbevisende resultater.

Når visse konsepter er over- eller underrepresentert i dataene, oppstår merkelige generasjonsfeil som dette. Vi kjørte også selv spørringen på Veo 3, men "Will Smith" var blokkert av Googles innholdsfiltre. Ved å bruke spørringen "En svart mann som spiser spaghetti, " derimot, produserte det en lignende knasende lydeffekt (Lopez kan ha hatt tidlig tilgang uten filtre, eller eksperimentert med varianter av prompten som klarte å passere). Veo 3 imponerer med sin evne til å generere sammenhengende dialog og musikk, og allerede har det inspirert flere slående eksempler på X. Ikke fornøyd med bare å lage en video av en mann som spiser veldig al dente-nudler, testet vi om figuren kunne synge og spise samtidig ved å gi denne prompten: "En mann synger en engelsk komediopera om spaghetti ved et kjøkkenbord mens han spiser den. " Vi har gjort betydelige fremskritt siden 2023, og AI-videogeneratorer vil fortsette å forbedre seg i realisme og funksjonalitet. Hadde det ikke vært for Veo 3s nåværende filter for kjendiser, kunne vi enkelt ha laget videoer av Smith som synger – eller gjør nesten hva som helst annet – noe som understreker potensielle bekymringer rundt AI-videoteknologi. Den kulturelle singulariteten nærmer seg raskt. På den note vil vi snart dele en egen omfattende serie med videogenseringstester med Veo 3, og vil komme med disse resultatene i en egen artikkel. Foreløpig kan du se dette som en kort oppdatering om The Fresh Prince of Noodletime. Bon appétit!