V torek je Google razkril Veo 3, nov model za sintezo videoposnetkov z umetno inteligenco, ki je sposoben doseči nekaj, česar doslej ni uspel noben večji AI generator videoposnetkov: producirati usklajen zvočni posnetek skupaj z videom. Med letoma 2022 in 2024 so bili zgodnji AI-porabljeni videi tihi in na splošno zelo kratki. Zdaj Veo 3 ponuja osem sekund dolgih visokoločljivostnih posnetkov s govori, dialogi in zvočnimi učinki. Po lansiranju so ljudje takoj zastavili očitno merilno vprašanje: kako dobro lahko Veo 3 lažnivo prikazuje zmagovalca oskarja, igralca Will Smitha, ki je jedel špagete? Hiter povzetek: "merilnik špagetov" v AI videoposnetkih je začel marca 2023 z zgodnjim, precej nenavadnim AI-izdelanim videom, ustvarjenim z odprtokodnim modelom za sintezo z imenom ModelScope. Ta primer špagetov je postal tako znan, da ga je Smith skoraj leto kasneje, februarja 2024, parodiral. Tukaj je opomnik, kako je izgledal prvotni viralni posnetek: Kaj se pogosto pozablja, je dejstvo, da takrat Smithova parodija ni bila narejena z najboljšim razpoložljivim AI generatorjem videa – model Gen-2 s Runway je že dosegel boljše rezultate, čeprav takrat še ni bil javno dostopen. Kljub temu je bila različica ModelScope dovolj nenavadna in zapomljiva, da je postala referenčna točka za zgodnje omejitve AI videoposnetkov ob napredku tehnologije. Pretekli teden je razvijalec AI aplikacij Javi Lopez odgovoril na navdušene oboževalce, ki so želeli ponovno poskusiti špaget test z Veo 3, ter svoje ugotovitve delil na X. Ko pa je gledal rezultate, je bil zvočni posnetek nenavaden: lažni Smith je zvenel, kot da grizi špagete. Ta napaka izhaja iz Veo 3-ove eksperimentalne sposobnosti dodajanja zvočnih učinkov, verjetno ker je njegova učna baza vključevala številne primere žvečenja s krčenjem, ki so bili posneti. Generativni modeli umetne inteligence delujejo kot sistemi za ujemanje vzorcev in napovedovanje, ki se zanašajo na zadostno uporabno učilno bazo v različnih medijih za izdelavo prepričljivih rezultatov.

Ko so določeni koncepti prekomerno ali premalo zastopani v teh podatkih, pride do nenavadnih artefaktov pri generiranju, kot je ta. Tudi mi smo sami poskusili z vprašanjem na Veo 3, vendar je Google-ova filtracija vsebine blokirala "Will Smitha. " Vendar pa je uporaba vnosa "Temnopolti moški, ki je jedel špagete, " dala podoben zvočni učinek (Lopez je morda imel zgodnji dostop brez filtrov ali pa je eksperimentiral z različicami vnosa, ki so ušla skozi). Veo 3 navdušuje s svojo sposobnostjo generiranja koherentnih dialogov in glasbe, kar že navdihuje številne izjemne primere na X. Ne želimo se ustaviti le pri posnetku moškega, ki je jedel zelo al dente rezance, temveč smo poskusili, ali bi ta lik lahko hkrati zapel in jedel, z vnosom: "Moški poje angleško komedijsko opero o špagetih za kuhinjskim mizom, medtem ko jih jé. " Od leta 2023 smo naredili pomemben napredek, generiranje videoposnetkov z AI pa bo nadaljevalo s izboljšavami v realizmu in funkcionalnosti. Če ne bi bilo trenutnega filtra slavnih osebnosti v Veo 3, bi lahko enostavno ustvarili videoposnetke Smitha, ki poje — ali počne skoraj vse drugo — kar poudarja potencialne skrbi glede tehnologije AI videoposnetkov. Kulturološka singularnost se hitro približuje. Glede na to smo nedavno izvedli našo obsežno serijo testov generiranja videoposnetkov z Veo 3 in bomo te rezultate kmalu delili v namenski prispevek. Za zdaj naj bo to kratek posodobitev o "Fresh Prince of Noodletime". Dober tek!