Të martën, Google prezantoi Veo 3, një model të ri të sintetizimit të videove me inteligjencë artificiale që arrin diçka që asnjë gjenerator kryesor i videove me AI nuk kishte arritur më parë: prodhimin e një seatë audio të sinkronizuar me videon. Midis vitit 2022 dhe 2024, videot e para të krijuara me AI ishin të heshtura dhe përgjithësisht shumë të shkurtra. Tani, Veo 3 ofron klipe prej tetë sekondash në cilësi të lartë që përfshijnë zëra, dialogje dhe effetke zanore. Pas lansimit, njerëzit menjëherë hodhën pyetjen e thjeshtë: Sa mirë mund të sajojë Veo 3 aktorin fitues të Oscars, Will Smith, duke ngrënë spageti? Një rikujtim i shkurtër: “përcaktuesi i spagetit” në videon AI filloi në mars 2023 me një video të hershme dhe disi shqetësuese që u krijua duke përdorur një model të hapur të sintetizimit të quajtur ModelScope. Ai shembull i spagetit u bë aq i njohur saqë Smith e bën shaka rreth tij pothuaj një vit më vonë, në shkurt të 2024-s. Këtu është një kujtesë e asaj se si dukej videoja origjinale virale: E shpeshta është harresa se në atë kohë, parodia e Smith nuk ishte prodhuar me gjeneratorin më të mirë të videove me AI që ishte në dispozicion—një model i quajtur Gen-2 nga Runway kishte arritur tashmë rezultate më cilësore, megjithëse nuk ishte ende i hapur për publikun. Sidoqoftë, versioni i ModelScope ishte i çuditshëm dhe i paharrueshëm mjaftueshëm për t’u bërë një pikë referimi për kufizimet e hershme të videove me AI ndërsa kjo teknologji po zhvillonte. Këto javë, zhvilluesi i aplikacioneve me AI, Javi Lopez, iu përgjigj tifozëve të dëshiruar të rikthejnë testin e spagetit duke përdorur Veo 3, duke ndarë gjetjet e tij në X. Por, kur parërezultatet, soundtrack-i dukej i pazakontë: Smith i conditional, dukej sikur po griste spagetin. Ky gabim vjen nga kapaciteti eksperimental i Veo 3 për të shtuar efektet zanore, ndoshta sepse të dhënat e tij të stërvitjes përfshinin shumë shembuj për gëlltitje me tinguj të grisjes. Modelet e gjenerimit me AI funksionojnë si sisteme parashikuese të njohjes së modeleve, duke u mbështetur në sasi të mjaftueshme të të dhënave trajnimi për media të ndryshme për të prodhuar rezultate bindëse.

Kur disa koncepte janë shumë të përfaqësuara ose të papërfaqësuara në të dhënat, kjo shkakton artefakte të veçanta të gjenerimit, si ky. Ne gjithashtu e provuam vetë kërkesën përmes Veo 3, por “Will Smith” u bllokua nga filtret e përmbajtjes së Google. Megjithatë, përdorimi i kërkesës “Një njeri me ngjyrë po hanë spageti” prodhoi efektin e dëshiruar të tingullit të grisjes (Lopez mund të ketë pasur akses të hershëm pa filtre, ose të ketë eksperimentuar me variante të kërkesës që kaluan filtret). Veo 3 impresionon me aftësinë për të gjeneruar dialog dhe muzikë koherente, duke frymëzuar tashmë shumë shembuj të ndritshëm në X. Nuk donim të ndalnim vetëm tek një video i një njeriu duke ngrënë makaronat shumë të al dente, ndaj testuam nëse figura mund të këngë, ndërkohë që ha, duke shkruar: “Një burrë duke kënduar një opera komeditë në anglisht për spagetin në një tryezë kuzhine ndërsa e han!” Kemi bërë përparim të madh që nga viti 2023, dhe gjeneratorët e videove me AI do të vazhdojnë të përmirësohen në realitet dhe funksionalitet. Po të mos ishte filtër aktual për VIP-at në Veo 3, me lehtësi do të mund të krijonim video me Smith duke kënduar—ose duke bërë gjëra pothuajse të tjera, gjë që ndriçon shqetësimet e mundshme rreth teknologjisë së videove me AI. Singulariteti kulturor po afrohet shpejt. Për këtë, kohët e fundit zhvilluam testet tona të gjera për gjenerimin e videove me Veo 3 dhe do t’i ndajmë rezultatet shumë shpejt në një artikull të dedikuar. Për momentin, konsiderojeni një përditësim të shkurtër për “Fresh Prince” të kohës së makaronave. Ju uroj vëllazërisht shijim të mirë!