Ein teknologisk mirakel har kome fram frå dei briljante hjerna hos Microsoft, ein kjempe innan AI-området som tidlegare samarbeidd med OpenAI. Etter industrien si rask vekst, har Microsoft no introdusert ein strålande innovasjon som skil seg ut sjølv blant flommen av generative AI-annonseringar.
Ved å gi liv til kunst med berre eit enkelt stille bilete og ei kort lydprøve har ingeniørane i Redmond funne ein metode for å skape truverdig realistiske snakkande karakterar – som gir liv til sjølv dei mest kjende måleria. Tenk deg å sjå Mona Lisa snakke som om ho hoppa ut frå sidene av ei Harry Potter-bok, ei gong ufatteleg, no mogleg takka vere Microsoft si skjeregg AI.
Dette framsteget, kjent som VASA-1, syntetiserer det gitte biletet og lydprøven for å animere eit fjes komplett med naturlege fjesuttrykk og leppemoves, og formidlar all tekst i den stemmen som vart produsert frå lydprøva. Sjølv om slik teknologi ikkje er uhøyrde av – med demonstrasjonar from Runway og Nvidia å skulda – ser det ut til at Microsoft si oppføring overgår forgjengarane i finesse og realisme.
Pionerande animasjoneigenskapar blir tilbydde av VASA-1, og skaper animasjonar i opptil 512×512 pixlar oppløysing, og leverer 45 bilde i sekundet. Bemerkelsesverdig nok, prosessen krev berre to minutt på ein skrivebordspc utstyrt med GeForce RTX 4090. Importantly, det handterer problemfritt eit utval av kunstutsnitt utan å krevje perfekte, framleisande bilete.
Gitt si kapasitet til å sette ord i munnen på kven som helst ved hjelp av ei kort lyd frå ein video og eit enkelt bilete frå sosiale media, kan implikasjonane av eit slikt verktøy sjåast som overveldande. Ved å anerkjenne risikoen for misbruk, avgrensar Microsoft tilgongen utelukkande for deira ingeniørteam. Selskapet har valt å ikkje gje ut ein offentleg versjon eller integrere det i andre produkt, for å redusere risikoen av at slik potent teknologi blir allmennt tilgjengeleg.
The source of the article is from the blog newyorkpostgazette.com