Már a beszéd érzelmeihez is igazítja a mozdulatokat a generatív mesterséges intelligencia

Avatar 6 néven új videógeneráló modellt mutatott be a HeyGen, amely a beszéd tartalmához és érzelmi hangsúlyaihoz igazítja a digitális szereplők arckifejezését, gesztusait és testmozgását. A generatív mesterséges intelligencia célja, hogy a virtuális előadók ne csupán pontos ajakmozgással ismételjék el a megadott szöveget, hanem természetesebb, az elhangzó mondanivalóhoz illeszkedő előadásmódot is alkalmazzanak.

A HeyGen november 17-én jelentette be Avatar 6 nevű új generatív videómodelljének nyilvános bevezetését. A vállalat korábban is kínált olyan eszközöket, amelyekkel fényképekből, videófelvételekből és hanganyagokból digitális szereplőket lehetett létrehozni. Az új fejlesztés azonban a hagyományos ajakszinkronizáláson túl az előadásmód egészét próbálja modellezni. A cél az, hogy a mesterséges intelligencia felismerje a beszédhez kapcsolódó érzelmi és kommunikációs jelzéseket, majd ezeknek megfelelően alakítsa a virtuális szereplő mozgását. A szolgáltatás a HeyGen platformján és fejlesztői API-ján keresztül is elérhető.

Az Avatar 6 egyik legfontosabb újdonsága a kontextusérzékeny mozgásgenerálás. A modell nem kizárólag a hangok sorrendjét használja fel, hanem figyelembe veszi a mondatok jelentését, ritmusát és érzelmi töltetét is. Egy lelkes, örömteli szöveghez például élénkebb gesztusokat és mosolygósabb arckifejezéseket társíthat, míg egy komolyabb bejelentésnél visszafogottabb testmozgást alkalmazhat. A felhasználók az automatikus előadásmód mellett külön utasításokkal is befolyásolhatják a kívánt érzelmeket, arckifejezéseket és gesztusokat.

A HeyGen technikai beszámolója szerint a modell fejlesztésénél külön figyelmet fordítottak a karakterazonosság megőrzésére és a természetes mozgások következetességére. A vállalat saját összehasonlító tesztjeiben az Avatar 6 több vizsgált szempont alapján kedvezőbb értékelést kapott a versenytársaknál. Ezek közé tartozott a vizuális minőség, a szereplő megjelenésének állandósága, az ajakszinkron pontossága és a gesztusok beszédhez igazodása. Az eredmények azonban a HeyGen által bemutatott mérési környezetre vonatkoznak, és nem jelentik azt, hogy a rendszer minden videóban tökéletesen emberi mozgást állít elő.

Olvasd el: Már élő videóban is beszélgethet az új mesterséges intelligencia – a Meta mozgó avatárja

Mennyiben változtathatja meg az oktatóvideók és vállalati bemutatók készítését, ha a digitális szereplők már nemcsak elmondják, hanem természetesebb mozdulatokkal elő is adják a szöveget?

Az új modell a vállalati kommunikációban, az oktatásban és a marketingben is fontos alkalmazási lehetőségeket kínálhat. Egy nemzetközi vállalkozás például saját digitális előadójával készíthet különböző nyelvű termékbemutatókat, míg egy oktatási intézmény ugyanannak az előadónak a megjelenésével állíthat össze több képzési anyagot. A természetesebb arckifejezések és kézmozdulatok különösen a hosszabb magyarázó videóknál lehetnek értékesek, ahol a merev vagy ismétlődő mozgások könnyen elvonhatják a néző figyelmét. Az automatizált videókészítés emellett csökkentheti az ismétlődő felvételek megszervezésével járó munkát.

A technológia azonban továbbra is korlátokkal működik. A mesterséges intelligencia által generált gesztusok nem minden esetben követik pontosan a beszélő természetes mozgásmintáit, az összetettebb jelenetekben pedig vizuális hibák is megjelenhetnek. A HeyGen külön személyazonosság-ellenőrzési folyamatot alkalmaz a valódi személyek digitális másolatainak készítésénél. Ennek során a felhasználónak egyedi ellenőrző kódot tartalmazó hozzájárulási felvételt kell készítenie. Az ilyen biztonsági intézkedések különösen fontosak, mivel az egyre élethűbb digitális szereplők jogosulatlan személyazonosság-használatra is lehetőséget teremthetnének.

Az Avatar 6 megjelenése újabb lépést jelenthet a generatív mesterséges intelligencia videós képességeinek fejlődésében. A következő időszakban már nem feltétlenül az lesz a legfontosabb kérdés, hogy a rendszer képes-e megszólaltatni egy fényképen látható embert. Egyre inkább az számíthat, mennyire következetesen tudja megőrizni a szereplő megjelenését, egyéni mozdulatait és kommunikációs stílusát. Ha ezek a képességek tovább javulnak, a digitális előadók a hagyományos videógyártás egyre több feladatában jelenhetnek meg, különösen az ismétlődő, többnyelvű és rendszeresen frissülő tartalmaknál.

Olvasd el ezt is: Egyetlen utasítással szerkeszt teljes videójeleneteket a generatív mesterséges intelligencia

Források: HeyGen, HeyGen Research, PR Newswire

CS.SZ.

MI - KKV

Avatar 6 néven új videógeneráló modellt mutatott be a HeyGen, amely a beszéd tartalmához és érzelmi hangsúlyaihoz igazítja a digitális szereplők arckifejezését, …

Segíthet a szülés közben fellépő veszélyek korai felismerésében a mesterséges intelligencia, az intelligens érzékelők és a digitális modellek. A kutatók szerint az …

GPT-6.2 Astra és GPT-6.2 Sol néven két új mesterséges intelligencia modellt tett elérhetővé az OpenAI, amelyek eltérő felhasználási területekre készültek. Az Astra …

A Google jelentősen kibővíti a Gemini képességeit: a generatív mesterséges intelligencia már nemcsak válaszol a kérdésekre, hanem összetettebb hétköznapi feladatokat is elvégezhet. …

Új szolgáltatást vezetett be az OpenAI, amellyel a vállalkozások közvetlenebbül jelenhetnek meg a ChatGPT-ben. A cégek kezelhetik saját üzleti profiljukat, naprakészen tarthatják …