Pengganti Will Smith dari Google lebih jago makan spageti AI… tapi renyah?

Pada hari Selasa, Google meluncurkan Veo 3 , model sintesis video AI baru yang dapat melakukan sesuatu yang belum pernah dilakukan oleh generator video AI utama sebelumnya: membuat trek audio yang tersinkronisasi. Meskipun dari tahun 2022 hingga 2024, kita melihat langkah-langkah awal dalam pembuatan video AI, setiap video bersifat senyap dan biasanya berdurasi sangat pendek. Sekarang Anda dapat mendengar suara, dialog, dan efek suara dalam klip video definisi tinggi berdurasi delapan detik.

Tak lama setelah peluncuran baru tersebut, orang-orang mulai menanyakan pertanyaan pembandingan yang paling jelas: Seberapa hebat Veo 3 dalam memalsukan aktor pemenang Oscar Will Smith saat memakan spageti?

Pertama, rangkuman singkat. Tolok ukur spaghetti dalam video AI berawal dari Maret 2023, saat kami pertama kali membahas contoh awal video mengerikan yang dihasilkan AI menggunakan model sintesis video sumber terbuka yang disebut ModelScope. Contoh spaghetti tersebut kemudian menjadi cukup terkenal sehingga Smith memparodikannya hampir setahun kemudian pada Februari 2024.

Beginilah penampakan video viral aslinya:

Satu hal yang orang lupa adalah bahwa pada saat itu, contoh Smith bukanlah generator video AI terbaik yang ada—sebuah model sintesis video yang disebut Gen-2 dari Runway telah mencapai hasil yang lebih unggul (meskipun belum dapat diakses publik). Namun hasil ModelScope cukup lucu dan aneh untuk melekat dalam ingatan orang-orang sebagai contoh awal sintesis video yang buruk, berguna untuk perbandingan di masa mendatang seiring perkembangan model AI.

Pengembang aplikasi AI Javi Lopez pertama kali datang untuk menyelamatkan para penggemar spaghetti yang penasaran awal minggu ini dengan Veo 3, melakukan uji Smith dan memposting hasilnya di X. Namun seperti yang akan Anda lihat di bawah ini saat Anda menonton, soundtrack-nya memiliki kualitas yang aneh: Smith palsu tampaknya sedang mengunyah spaghetti.

Ini adalah gangguan dalam kemampuan eksperimental Veo 3 untuk menerapkan efek suara pada video, kemungkinan karena data pelatihan yang digunakan untuk membuat model AI Google menampilkan banyak contoh mulut yang mengunyah dengan efek suara berderak. Model AI generatif adalah mesin prediksi pencocokan pola, dan mereka perlu diperlihatkan cukup banyak contoh dari berbagai jenis media untuk menghasilkan keluaran baru yang meyakinkan. Jika suatu konsep terlalu banyak atau terlalu sedikit terwakili dalam data pelatihan, Anda akan melihat hasil pembangkitan yang tidak biasa, seperti jabberwockie .