बाइटडान्सच्या संशोधकांनी एक अत्याधुनिक AI प्रणाली तयार केली आहे जी व्यक्तिगत छायाचित्रांना वास्तविकतेच्या जवळच्या व्हिडिओंमध्ये रूपांतरित करते, जेथे लोक बोलतात, गातात, आणि तरंगत हलतात—या नवकल्पनेमुळे डिजिटल मनोरंजन आणि संवादाचा मार्ग परिवर्तनशील होण्याची संधी आहे. नवीन विकसित प्रणाली, ज्याला ओम्निह्यूमन असे नाव दिले गेले आहे, ती सर्वांग बाडीचे व्हिडिओ तयार करते ज्यामध्ये व्यक्ती त्यांच्या भाषणासह समकालीन हालचाल आणि इशारे करताना दर्शविल्या जातात, ज्यामुळे पूर्वीच्या AI मॉडेल्सच्या मर्यादा दूर केल्या जातात, जे फक्त चेहेऱ्यांचे किंवा वरच्या अंगांचे अ‍ॅनिमेशन करीत होते. ओम्निह्यूमनला प्रशिक्षण देण्यासाठी १८, ७०० तासांचा व्हिडिओ डेटा वापरण्यात आला, जेणेकरून वास्तविक हालचाल साधता येईल. बाइटडान्सच्या संशोधन टीमच्या मते, ज्यांनी त्यांच्या निष्कर्षांना arXiv वर प्रकाशित केले, "सम्पूर्ण मानव अ‍ॅनिमेशनमध्ये गेल्या काही वर्षांत मोठ्या प्रमाणात सुधारणा झाली आहे. तथापि, वर्तमान पद्धतींना मोठ्या प्रमाणात सामान्य व्हिडिओ उत्पादन मॉडेल्समध्ये स्केल करण्यास अद्याप अडचणी येत आहेत, जे त्यांच्या व्यावहारिक अनुप्रयोगांना मर्यादित करते. " ओम्निह्यूमन तयार करण्यासाठी, टीमने १८, ७०० तासांपेक्षा जास्त मानव व्हिडिओ डेटा वापरला, विविध इनपुट्स—टेक्स्ट, ऑडिओ आणि शरीराच्या हालचालींना एकत्रित करून. या "ओम्नी-शर्ती"च्या प्रशिक्षण पद्धतीने AI ला पूर्वीच्या तंत्रज्ञानाच्या तुलनेत खूप मोठ्या आणि विविध डेटासेट्सवरून शिकण्यास मदत होते. AI व्हिडिओ निर्मितीत हा ब्रेकथ्रू पूर्ण शरीराची हालचाल आणि स्वाभाविक इशारे दर्शवितो. संशोधन गटाने नमूद केले, "आमचा प्राथमिक अंतर्दृष्टी म्हणजे प्रशिक्षणादरम्यान टेक्स्ट, ऑडिओ, आणि पोझ यांसारख्या अनेक शर्तींच्या संकेतांचे एकत्रित केल्याने डेटा वेस्ट कमी करता येतो. " ही तंत्रज्ञान AI निर्मित माध्यमातील एक मोठी प्रगती आहे, ज्यामध्ये व्यक्ती भाषण देताना आणि विषयांचे संगीत वाजवताना तयार केलेले व्हिडिओंचा समावेश आहे.

चाचण्यांमध्ये, ओम्निह्यूमन विविध गुणवत्तेच्या मेट्रिक्समध्ये विद्यमान प्रणालींना मागे टाकण्यास यशस्वी झाला. गुगल, मेटा, आणि मायक्रोसॉफ्टसारख्या तांत्रिक दिग्गजांनी पुढील पिढीच्या व्हिडिओ AI तंत्रज्ञानावर स्पर्धा करताना, बाइटडान्सची प्रगती तिच्या टिकटोक पालक कंपनीसाठी या जलद विकासशील क्षेत्रात स्पर्धात्मक धार देऊ शकते. तज्ञांचा विश्वास आहे की ही तंत्रज्ञान मनोरंजन उत्पादन, शैक्षणिक सामग्री निर्मिती, आणि डिजिटल संवादाचे क्षेत्र क्रांतिकारी करण्याची क्षमता दर्शवते. तथापि, हे संश्लेषित माध्यमांच्या संभाव्य गैरवापराबद्दल चिंता देखील निर्माण करते. संशोधकांच्या मते, ते त्यांच्या निष्कर्षांचे प्रेझेंटेशन एका आगामी संगणक दृश्य संमेलनात सादर करण्याचा विचार करत आहेत, तथापि त्यांनी अद्याप विशिष्ट तपशीलांची घोषणा केलेली नाही.