У уторак, Google је представио Veo 3, нови модел вештачке интелигенције за синтезу видеа који може постићи нешто што ниједан велики генертор видео записа на бази вештачке интелигенције до сада није успео: производњу синхронизованог аудио трака уз видео. Међу 2022. и 2024. годином, рани видео записи генерисани вештачком интелигенцијом били су тихи и уопште врло кратки. Сада, Veo 3 испоручује осмсекундне висококвалитетне клипове са гласовима, дијалогом и звучним ефектима. Након лансирања, људи су одмах поставили очекивани питање: Колико добро Veo 3 може да лаже оскаро-навикнутог глумца Вила Смитa како једе тестенине? Брзи преглед: „тест за тестенине“ у области видео- искусва почео је у марту 2023. године са раним, прилично узнемиравајућим видео снимком који је направљен уз помоћ отвородоступног модела за синтезу под називом ModelScope. Тај пример са тестенином постао је толико познат да га је Смит упаредио у шали готово годину дана касније, у фебруару 2024. Ево подсета како је изгледао оригинални вирусни видео: Што се често заборавља је да у то време, пародија на Смета није производ је најбољи AI генератор видеа доступан у то време — модел под називом Gen-2 из Ранваја већ је пружао квалитетније резултате, иако још није био јавно доступан. Ипак, верзија из ModelScope била је довољно необична и запамћена да постане референтна тачка за ране лимите AI видеа како је технологија напредовала. Ове недеље, развојни програмер AI апликација Хави Лопез одговорио је обожаваоцима који су желели да поново тестирају тест са тестенином користећи Veo 3, делећи своје налазе на Икс (отпрема X). Међутим, када смо погледали резултате, звучна позадина изгледала је необично: фалсификовани Смит изгледао је као да жваће тестенину. Ова грешка настаје због експерименталне могућности Veo 3 да дода звучне ефекте, вероватно зато што су његови подаци за обуку садржали бројне примере жвакања праћеног хрскањем.

Генеративни модели вештачке интелигенције делују као системи за предвиђање на основу препознавања образаца, ослањајући се на довољне количине обрадивих података у разним медијима за стварање убедљивих резултата. Када одређени концепти буду премноги или недовољни у тим подацима, то доводи до чудних артефаката при генерацији, као што је овај. Такође, тестирали смо упит на Veo 3, али „Will Smith“ нам је био блокиран од стране Google-ових филтерa за садржај. Међутим, коришћење упита „Црни мушкарац који једе тестенину“ дало је сличан звук хрскања (Лопез можда имао рани приступ без филтера или је експериментисао са варијантама упита које су прошле кроз филтер). Veo 3 импресионира својом способношћу да генерише координирани дијалог и музику, што већ инспириса бројне запажене примере на Икс. Не желећи да се зауставимо само на видеу човека који једе врло ал денте тестенине, тестирали смо да ли може певати и јести истовремено уз упит: „Мушка који пева енглеску комедијску оперу о тестенини за трпезаријским столом док је једе. “ Направили смо значајне напредаке од 2023. године, а генератори видеа на AI-ју наставиће да се усавршавају у реалистичности и функционалности. Да није тренутног цензурисања познате личности у Veo 3, лако бисмо креирали видео снимке у којима Смит пева — или ради готово било шта друго — што наглашава потенцијалне проблеме везане за технологију видеа на бази вештачке интелигенције. Културна singularност брзо се приближава. У том контексту, недавно смо спровели свој свеобухватни серијал тестова генерисања видеа са Veo 3 и ускоро ћемо поделити резултате у посебном тексту. За сада, ово је кратко обавештење о „Младићу са тестенином“. Добар апетит!