O Google falou sobre o sistema de inteligência artificial Imagen Video, que gera vídeo de alta resolução (1280 × 768 pixels, 24 quadros por segundo) a partir de uma descrição de texto. No entanto, por medo de que o modelo gere conteúdo impróprio, a empresa decidiu se abster de publicar o código-fonte do projeto por enquanto.
Na descrição (PDF) da solução, o Google observou que o Imagen Video é capaz de trabalhar em um determinado estilo, imitando, por exemplo, os modos de artistas famosos, criar objetos 3D giratórios mantendo sua forma ou retratar texto em várias animações gêneros. A tecnologia baseia-se numa “cascata” de modelos que, a partir de uma descrição textual, criam um protótipo de vídeo (16 frames numa resolução de 24×48 pixels a uma frequência de 3 frames por segundo), que é depois convertido num vídeo vídeo de alta resolução com uma taxa de quadros mais alta em várias etapas. O vídeo final tem 5,3 segundos de duração.
Os exemplos apresentados no Imagen Video variam de cenas simples como "Sorvete de pistache derretendo pingando em um copo" a cenários intrincados como "Voando em uma batalha de navios piratas em um oceano tempestuoso". As imagens contêm artefatos óbvios, mas seus detalhes e suavidade são notavelmente maiores do que os das contrapartes existentes. Paralelamente, outro modelo de IA do Google estreou para gerar vídeos a partir de uma descrição de texto - Phenaki cria vídeos mais longos.
O Google disse que o sistema Imagen Video foi treinado no LAION-400M, disponível publicamente, que contém "14 milhões de pares de vídeo-texto e 60 milhões de pares de imagem-texto". Segundo a empresa, trata-se de "dados problemáticos" e, embora especialistas tenham tentado filtrá-los, ainda é possível que o modelo gere conteúdo inadequado contendo cenas de natureza sensível, violência, estereótipos sociais e preconceito cultural. E "até que essas preocupações sejam resolvidas", o código-fonte do modelo Imagen Video não será publicado.
2022-10-06 18:35:36
Autor: Vitalii Babkin