Noong Martes, ipinakilala ng Google ang Veo 3, isang bagong AI na modelo ng pagbuo ng video na kayang makamit ang isang bagay na hindi nagawa ng anumang pangunahing AI video generator noon: makabuo ng kasabay na audio track kasama ng video. Mula 2022 hanggang 2024, ang mga maagang AI-generated na video ay tahimik at karaniwang maikli lamang. Ngayon, ang Veo 3 ay naghahatid ng walong segundong high-definition na mga clip na may kasamang boses, diyalogo, at mga sound effects. Kasunod ng paglulunsad, agad na inusisa ng mga tao ang malinaw na tanong: Gaano kaepektibo ang Veo 3 sa pagpapanggap na si Oscar-winning actor Will Smith na kumakain ng spaghetti? Isang mabilis na recap: nagsimula ang "spaghetti benchmark" sa AI video noong Marso 2023 gamit ang isang maagang, medyo nakakabahala na AI-generated na video na ginawa gamit ang isang open-source na synthesis model na tinatawag na ModelScope. Ang halimbawa ng spaghetti na iyon ay naging sobrang kilala kaya't noong Pebrero 2024, in-spoof ito ni Smith halos isang taon matapos. Narito ang paalala kung ano ang hitsura ng orihinal na viral na video: Kalimitan, nakakalimutan na noong panahong iyon, ang parody ni Smith ay hindi ginawa gamit ang pinakamagandang AI video generator na available—isang model na tinatawag na Gen-2 mula sa Runway ang nakapaghatid na ng mas mataas na kalidad na resulta, bagamat hindi pa ito bukas sa publiko noon. Gayunpaman, ang bersyon ng ModelScope ay kakaiba at matandaan na sapat upang maging isang sanggunian sa mga limitasyon ng AI video noon habang umuunlad ang teknolohiya. Maagang linggong ito, tumugon ang AI app developer na si Javi Lopez sa mga fans na nagnanais muling makita ang spaghetti test gamit ang Veo 3, at ibinahagi niya ang kanyang mga natuklasan sa X. Subalit, noong pinanood ang mga resulta, napansin na kakaiba ang soundtrack: parang ang pekeng si Smith ay kumakain ng spaghetti na may tunog ng pagchew. Ang glitch na ito ay nagmumula sa eksperimento ng Veo 3 na magdagdag ng mga sound effect, marahil dahil kasama sa kanyang training data ang maraming halimbawa ng pagnguya na sinasamahan ng mga crunching na tunog. Ang mga generative AI models ay gumagana bilang pattern-matching prediction systems, na umaasa sa sapat na datos sa iba't ibang media upang makabuo ng nakakumbinsing output.

Kapag sobra o kulang sa datos ang ilang konsepto, nagreresulta ito sa mga kakaibang artefact tulad nito. Sinubukan din naming gawin ang prompt mismo sa Veo 3, ngunit nakailag ang “Will Smith” sa content filters ng Google. Pero, gamit ang prompt na “Isang itim na lalaki na kumakain ng spaghetti, ” nakabuo ito ng katulad na crunchy na sound effect (maaaring nagkaroon si Lopez ng maagang access na walang filter, o eksperimento sa mga prompt na nakalusot). Nangunguna ang Veo 3 sa kakayahang makabuo ng magkakaugnay na diyalogo at musika, na nagbigay-inspirasyon sa maraming nakakawindang na halimbawa sa X. Hindi namin nais tumigil sa isang video lang kung saan kumakain ng napaka-al dente na noodles ang isang tao, sinubukan naming malaman kung maaari bang kumanta at kumain nang sabay-sabay ang tauhan sa pamamagitan ng prompt na: “Isang lalaking kumakanta ng comedy opera sa Ingles tungkol sa spaghetti habang kumakain nito sa isang kusina. ” Malaki na ang narating natin mula 2023, at patuloy na gaganda ang kalidad at kakayahan ng mga AI video generator. Kung hindi pa ang kasalukuyang celebrity filter ng Veo 3, madali sana naming makalikha ng mga video ni Smith na kumakanta—o gawin ang halos anumang bagay—na nagpapakita ng mga potensyal na alalahanin sa teknolohiya ng AI video. Mabilis na nalalapit ang kultiral na singularity. Sa pahayag na iyon, kamakailan ay nagsagawa kami ng aming sariling serye ng mga pagsusuri sa paggawa ng video gamit ang Veo 3 at ihahanda naming ibahagi ang mga resulta sa isang espesyal na tampok. Sa ngayon, ituring ito bilang isang maikling update sa Fresh Prince ng spaghetti. Bon appétit!