మంగళవారం, గూగుల్ వియో 3ను విడుదల చేసింది, ఇది కొత్త AI వీడియో సంకలన మోడల్‌గా, పెద్ద AI వీడియో జనరేటర్లు ముందే చేయలేని ఏదో సాధించగలదు: వీడియోతో పాటు అనుకూల ఆడియో ట్రాక్‌ను తయారుచేయడం. 2022 నుండి 2024 వరకు, ముందుగా AIతో తయారుచేసిన వీడియోలు సైలెంట్‌గా ఉండడమే సాధారణంగా ఉంటుంది, కూడా చాలా చిన్నవి. ఇప్పుడు, వియో 3 ఈఎరుపై ఎనిమిఢిల్లెక్షన్ ఉన్న ఎచ్. డి. వీడియో క్లిప్పులను, వాయిస్లు, సంభాషణ, ధ్వని ప్రభావాలతో కలిపి అందిస్తుంది. విడుదల తర్వాత, ప్రజలు מיד స్పష్టమైన ప్రశ్నను అడిగారు: వియో 3 ఒప్పుకుంటే, ఆర్క్‌లు విజేత నటుడు విల్ స్మిత్ స్పఘెడీ తింటున్నట్లుగా నకిలీ చేయగలదా? సంక్షిప్త వివరణ: AI వీడియోలో "స్పఘెడీ బెన్చ్‌మార్క్" 2023 మార్చి ప్రారంభంలో ModelScope అనే ఓపెన్-సోర్స్ సంకలనం మోడల్ ఉపయోగించి తయారుచేసిన మొదటి, కొంచెం అసూయకరమైన AI-జనిత వీడియోతో ప్రారంభమైంది. ఆ స్పఘెడీ ఉదాహరణ చాలా పేరు పొందడంతో, స్మిత్ దాన్ని మోకాలి వేసి తాను 2024 ఫిబ్రవరిలో తిరిగి ఈ నవ్వుదేలు చేసినప్పుడు, అది మరింత ప్రసిద్ధిగా మారింది. అది మనసులో పెట్టుకోవడం మర్చిపోయే ప్రధాన విషయం ఏమిటంటే, ఆ సమయంలో, స్మిత్ పేరుతో రూపొందించిన నకిలీ వీడియో అత్యుత్తమ AI వీడియో జనరేటర్ అయిన గూగుల్ రన్‌వే నుంచి వచ్చిన Gen-2 అనే మోడల్ ఉపయోగించి రూపొందించబడలేదు—అది ఇప్పటికే మెరుగైన ఫలితాలు ఇచ్చింది, కానీ అది ఇంకా జనం సాధ్యం కాలేదు. అయినప్పటికీ, ModelScope వెర్షన్ వింతగా ఉంటుంది కానీ, ఇది కూడా ప్రారంభ AI వీడియో పరిమితులను గుర్తించేందుకు గుర్తించబడింది. ఈ వారంలో, AI అనువర్తనం డెవలపర్ జావి లపెజ్, వాడటివారికి స్పఘెడీ ట్రయల్ ఫలితాలను షేర్ చేశాడు. అయినప్పటికీ, ఫలితాలను చూసేటప్పుడు, ఆడియోలు విచిత్రంగా ఉన్నట్టు అనిపించింది: నకిలీ స్మిత్ స్పఘెడీ తొక్కుతుండగా శబ్దం చేస్తున్నట్లు వింటుంది. ఈ glitch, వియో 3 యొక్క సమూహాన్విత ధ్వని ప్రభావాలు చేర్చగల శక్తి నుంచి రావడం. ఇది సాధ్యమయ్యే పని, ఇది బహుశా శిక్షణ డేటాలో మన్నడిన కిచెన్ కప్పు తొక్కడం, చేపడం వంటి అనేక ఉదాహరణలతో కూడుకున్న కారణంగా ఉండవచ్చు. ఉత్పత్తి చేసే AI మోడల్స్, మాటల సరిపోయని నమూనాలుగా, సరిపడా శిక్షణ డేటా పైన ఆధారపడి ఉంటాయి.

డేటా ఎక్కువగా లేదా తక్కువగా ఉన్నా, అది అంకితమైన తేడాలను తీసుకువస్తుంది. మేము కూడా వియో 3తో అదే ప్రాంప్ట్ ప్రయోగించి చూడగలుగాము, కానీ “విల్ స్మిత్” అనేది గూగుల్ కంటెంట్ ఫిల్టర్‌ల వల్ల అడ్డుకోబడింది. కానీ “ఒక నల్ల Profిన మనిషి స్పఘెడీ తింటున్నది” అని అడిగితే, అదే వాంతిలో దృశ్యాలు కనిపించాయి (లాపెజ్ తొలుత ఫిల్టర్-ఫ్రీ యాక్సెస్ పొందగలిగారు, లేదా ప్రయోగించిన ప్రాంప్ట్ వేరియేషను ద్వారా బయటపడ్డారు). వియో 3, సంభాషణలతో పాటు, సంగీతం కూడా జెనరేట్ చేయగలిగే శక్తితో, ఇప్పటికే వివిధ అద్భుత ఉదాహరణలను Xలో చూపుతోంది. మనిషి చాలా అల్ డెంట్ నుడల్స్ తింటూ ఉండగా, ఆ వ్యక్తి గీతాలు చదువుతూ, ఏకకాలంలో పాటించగలడా అని మనం పరీక్షించాం: “ఒక వ్యక్తి, ఆంగ్ల భాషలో కామెడీ ఓపెరా వెళ్ళడంతో, పుస్తకానికి టేబుల్ దగ్గరగా ఉండి, అదే సమయములో స్పఘెడీ కూడా తిన్తున్నాడు” అని అడిగాం. 2023 నుంచి మనం పెద్దtitulo పురోగతి సాధించాం, మరియు AI వీడియో జనరేటర్లు ప్రతిరూపణలో మరింత మెరుగుపడుతూ ఉంటాయి. వియో 3 ప్రస్తుతం సెలబ్రిటీ ఫిల్టర్ లేకపోయే స్వభావం ఉండడం వలన, మనం స్మిత్ గానీ, లేదా మరెప్పుడైనా పాటిస్తున్న వీడియోల్ని సులభంగా రూపొందించగలుగుతాం—అది కూడా AI వీడియో సాంకేతికత పై సామాజిక ఏకాంతి సంబంధించుకున్న ఆందోళనలను తెలియజేస్తోంది. సాంస్కృతిక ఏకాంతి త్వరలోనే చేరుకోనుంది. ఆ తదుపరి, మనం తాజాగా వియో 3తో జాతీయ స్థాయిలో చేసిన విస్తృతమైన వీడియో జనరేషన్ టెస్టులను నిర్వహించాము. దానికి సంబంధించిన ఫలితాలను త్వరలో ప్రత్యేక అంశంగా షేర్ చేస్తాం. ప్రస్తుతం, ఇది ఫ్రెష్ ప్రిన్స్ ఆఫ్ నూడుల్‌టైమ్ పై స్వల్ప సమాచారం మాత్రమే. బోన్ ఆపెట్టిట్!