A Google DeepMind egy YouTube-ra feltöltött videóban mutatta meg, mire képes a V2A néven emlegetett mesterséges intelligenciája. A szakemberek szerint nincs szükség a felhasználó által megadott utasításokra, hogy elvégezze a feladatát.
Újfajta mesterséges intelligencia (MI) kifejlesztésén dolgozik a Google MI-re szakosodott részlege, amivel a videókat turbóznák fel a szakemberek. A technológia hangsávot – többek között párbeszédet – hozna létre a felvételekhez, hogy ezzel gyorsítsa fel az anyagok létrejöttét.
A DeepMind a YouTube-on osztott meg egy videót a V2A néven említett fejlesztés működéséről. Ezt a tervek szerint párosítani lehet majd a Google saját fejlesztésével, a Veóval, de az OpenAI eszközével, a Sorával is össze lehet kapcsolni. Ezek olyan rendszerek, amelyek néhány utasítás segítségével képesek realisztikus videók létrehozására.
A DeepMind szakemberei szerint a V2A képes elemezni a pixeleket, majd szöveges utasítást készít, amit aztán a megfelelő hanghatásokká konvertál át. A fejlesztők szerint a rendszert akár a némafilmekhez is fel lehet használni. Az eredmény egészen lenyűgöző:
A rendszert videókon, hangokon és a mesterséges intelligencia által generált tartalmakon képezték ki. Ennek köszönhetően megtanulta, hogy bizonyos hangokat milyen vizuális elemekhez társítson. A TechCrunch megjegyzi: nem a Google az első, ami ilyen rendszert fejlesztett, és minden bizonnyal nem is az utolsó. A DeepMind szakemberei szerint az ő megoldásuk azzal emelkedik ki a tömegből, hogy a felhasználó döntheti el, akar-e szöveges parancsokat adni a hang elkészítéséhez.
Ez utóbbi – mármint a szöveges prompt – használható arra is, hogy a felhasználó finomhangolja a kapott végeredményt.
A szakemberek jelenleg azon dolgoznak, hogy a generált párbeszéd szinkronban legyen a beszélő ajkának mozgásával, valamint a létrehozott hang jó minőségű legyen és ne torzítson.
Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.
HVG
