Na terça-feira, o Google revelou o Veo 3, um novo modelo de síntese de vídeos com IA capaz de alcançar algo que nenhum grande gerador de vídeos por IA havia conseguido antes: produzir uma faixa de áudio sincronizada junto com o vídeo. Entre 2022 e 2024, vídeos gerados por IA eram silenciosos e geralmente muito curtos. Agora, o Veo 3 entrega clipes de oito segundos em alta definição, completos com vozes, diálogos e efeitos sonoros. Após o lançamento, as pessoas imediatamente fizeram a pergunta óbvia de referência: Quão bem o Veo 3 consegue criar uma farsa do ator vencedor do Oscar, Will Smith, comendo espaguete? Recapitulando rapidamente: o "desafio do espaguete" em vídeos de IA começou em março de 2023 com um vídeo gerado por IA, um pouco perturbador, criado usando um modelo de síntese de código aberto chamado ModelScope. Aquele exemplo de espaguete se tornou tão conhecido que Smith o parodiou quase um ano depois, em fevereiro de 2024. Aqui está uma lembrança de como era o vídeo viral original: O que muitas vezes é esquecido é que, na época, a paródia de Smith não foi produzida com o melhor gerador de vídeos por IA disponível — um modelo chamado Gen-2, da Runway, já havia entregue resultados de maior qualidade, embora ainda não estivesse acessível ao público. Ainda assim, a versão do ModelScope era estranha e memorável o suficiente para se tornar um ponto de referência para as limitações iniciais da IA em vídeos, à medida que a tecnologia avançava. No começo desta semana, o desenvolvedor de aplicativos de IA Javi Lopez respondeu a fãs ansiosos para revisitar o teste do espaguete usando o Veo 3, compartilhando suas descobertas no X. No entanto, ao assistir aos resultados, a trilha sonora parecia estranha: o falso Smith soava como se estivesse mastigando o espaguete. Esse problema é decorrente da capacidade experimental do Veo 3 de adicionar efeitos sonoros, provavelmente porque seus dados de treinamento incluíam muitos exemplos de mastigação acompanhados de sons de morder ou estalar. Modelos de IA generativa funcionam como sistemas de previsão baseados em reconhecimento de padrões, dependendo de dados de treinamento suficientes, de diferentes tipos de mídia, para produzir resultados convincentes.

Quando certos conceitos estão exageradamente representados ou sub-representados nesses dados, isso leva a artefatos de geração peculiares como este. Também realizamos o teste conosco no Veo 3, mas "Will Smith" foi bloqueado pelos filtros de conteúdo do Google. No entanto, usar o prompt "Um homem negro comendo espaguete" produziu um efeito de som crocante semelhante (Lopez pode ter tido acesso antecipado sem filtros ou experimentado variações de prompts que passaram pelo filtro). Veo 3 impressiona por sua capacidade de gerar diálogos coerentes e música, já inspirando vários exemplos marcantes no X. Sem querer parar apenas em um vídeo de um homem comendo macarrão bem al dente, testamos se a figura poderia cantar e comer ao mesmo tempo, usando o prompt: "Um homem cantando uma ópera de comédia em inglês sobre espaguete numa mesa de cozinha enquanto o come. " Temos feito progressos significativos desde 2023, e os geradores de vídeos por IA continuarão a melhorar em realismo e funcionalidade. Se não fosse o filtro de celebridades atualmente do Veo 3, poderíamos facilmente criar vídeos do Smith cantando — ou fazendo quase qualquer outra coisa — o que destaca as possíveis preocupações em torno da tecnologia de vídeos por IA. A singularidade cultural está se aproximando rapidamente. Nesse ritmo, recentemente realizamos nossa própria série extensa de testes de geração de vídeos com o Veo 3 e compartilharemos esses resultados em breve em uma matéria especial. Por enquanto, considere esta uma breve atualização sobre o "Príncipe do Noodle". Bon appétit!