Pesquisadores da Microsoft lançaram um artigo esta semana sobre VASA-1, uma nova ferramenta de inteligência artificial que pode gerar um vídeo convincente de alguém falando, usando apenas uma imagem estática. A Microsoft não tem planos imediatos de lançar a nova ferramenta para o público, mas é bastante impressionante. Bem, é impressionante se você não olhar muito de perto para os dentes. Apenas dê uma olhada nesses dentes.
O modelo VASA-1 funciona pegando qualquer foto estática de um rosto humano — ou nos exemplos publicados pela Microsoft, um rosto gerado por inteligência artificial de alguém que na verdade não existe — e depois de ser alimentado com um arquivo de áudio, pode produzir um vídeo sincronizado que inclui nuances faciais e movimentos naturais.
Novamente, é tudo muito impressionante, como você pode ver em um dos vídeos fornecidos pela Microsoft abaixo. Mas a área em que VASA-1 parece ter dificuldade é em renderizar dentes. Se você focar nos dentes, eles podem adquirir uma qualidade caricata, parecendo levemente animados de uma maneira que não se encaixa bem com a qualidade hiper-realista de todo o resto.
Os dentes bizarros do vídeo se tornam ainda mais aparentes quando você diminui a velocidade de todo o processo, como o Gizmodo fez no GIF abaixo. (Quase faz você se sentir mal por criticar a aparência de alguém até lembrar que a pessoa abaixo literalmente não existe.)
Outro vídeo de exemplo fornecido pela Microsoft, que aparece abaixo, mostra qualidades semelhantes de desenho animado nos dentes — mesmo que outros recursos pareçam muito realistas, especialmente quando você lembra que o único material de origem é uma imagem estática e um arquivo de áudio.
Uma das coisas mais interessantes observadas pelos pesquisadores é que seu modelo pode produzir vídeo de alta qualidade com bastante rapidez, algo com que outros geradores de IA como o Sora da OpenAI tiveram dificuldade. Na verdade, o artigo cita uma latência de apenas 0,17 segundos em um PC desktop com uma única GPU NVIDIA RTX 4090.
E essa rapidez é algo que pode fornecer vídeos instantâneos para uma variedade de aplicativos, como serviços de tradução em tempo real.
“Nosso método não apenas oferece alta qualidade de vídeo com dinâmicas faciais e de cabeça realistas, mas também suporta a geração online de vídeos 512×512 a até 40 FPS com latência inicial negligenciável. Isso abre caminho para interações em tempo real com avatares realistas que imitam comportamentos conversacionais humanos,” diz o novo artigo.
Os pesquisadores estão claramente cientes dos perigos desse tipo de tecnologia, o que talvez explique por que a Microsoft ainda não anunciou planos de lançá-la para o público. No entanto, os pesquisadores também identificaram casos de uso que acreditam ser úteis para a humanidade.
“Os benefícios — como melhorar a equidade educacional, melhorar a acessibilidade para indivíduos com desafios de comunicação, oferecer companhia ou apoio terapêutico para aqueles que precisam, entre muitos outros — destacam a importância de nossa pesquisa e outras explorações relacionadas. Estamos dedicados a desenvolver a IA de forma responsável, com o objetivo de promover o bem-estar humano,” diz o artigo.
“Dado esse contexto, não temos planos de lançar um demo online, API, produto, detalhes de implementação adicionais ou quaisquer ofertas relacionadas até termos certeza de que a tecnologia será usada de forma responsável e de acordo com as regulamentações apropriadas.”
Provavelmente é uma boa ideia, dada a quantidade de golpes que são possíveis com esse tipo de tecnologia. Afinal, a eleição presidencial de 2024 nos EUA está a apenas sete meses de distância. E a ameaça do fascismo global não está desaparecendo tão cedo. A humanidade realmente parece impotente contra fakes gerados por IA no momento. E grandes empresas como a Microsoft provavelmente devem fazer tudo ao seu alcance para limitar o dano potencial antes que praticamente tudo na internet se torne uma falsificação.
