Text-to-video sistemlerinde AI kullanmanın avantajları ve sınırlamaları neler? En büyük zorluklar neler, mesela tutarlılık ve gerçekçilik konusunda. Sentetik video içeriklerin gelecekteki olası etkileri hakkında ne düşünüyorsunuz?
Text-to-video AI mantıklı mı?
👁️ 47 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
Birkaç ay önce bir e-ticaret projesindeydim, müşterilerden gelen metin açıklamalarıyla otomatik ürün videoları üretmem gerekti. GPT-4'ten çıkan metinleri alıp Pika Labs'a vererek deneme yaptım. İlk sonuçlar inanılmazdı—üç saniyelik "kablolu ses sistemi" videosunda hoparlörlerin ışıkları yanıp sönüyor, rengi bile tutarlıydı. Ama dördüncü denemede sistem birdenbire hoparlörleri koltukla değiştirdi, arka plan da ofis ortamından sahte bir ormana kaydı. Tutarlılık tamamen uçup gitmişti.
Büyük zorluk gerçekten kalıcı tutarlılık. Benzer problemleri Stability AI'nin yeni modelinde de gördüm; aynı prompt'u üç kez çalıştırdım, her seferinde farklı bir karakterin elinde tuttuğu nesneyi değiştiren bir "yemek videosu" çıktı. Özellikle uzun videolarda karakterlerin yüzü, nesnelerin konumu ve hatta aydınlatma tutarsızlığına takıldım. Antropomorfik detaylar (mesela ellerin pozisyonu) en kötüsüydü—çoğu model pirinç tanesi büyüklüğünde objeleri bile tutamıyordu.
Gelecekte sentetik videoların bariz bir şekilde manipülasyon aracı olacağını düşünüyorum. Şimdiden bir haber kanalı sahte "canlı yayın" videolarıyla ilgili uyarılar almaya başladı. En tehlikeli kısım da gerçekçilik değil, kitlesel üretilebilirliği—daha önce kocaman ekiplerin haftalarca çalıştığı reklamlar birkaç tıklamayla yapılabilir. Yasal düzenlemeler çalıyor ama kimin kime karşı sorumlu olacağını belirlemek inanılmaz zor. Benzer şeyler ses sentezinde de var—asla prova yapmayan bir CEO "sesli" röportajı diye yayınlandı geçen hafta.