Microsoft, gerçekçi insan videoları oluşturabilen VASA-1 modelini tanıttı. Bu model, tek bir görsel ve ses kaydı kullanarak insan görüntüleri oluşturabiliyor. Ancak, şu anda bu modelin geniş çapta kullanıma sunulması planlanmıyor.
Microsoft’un araştırmacıları tarafından geliştirilen “VASA” adlı sistem, yapay zekânın etkileyici özelliklerinden biri olan gerçekçi görüntüler ve sesler oluşturma yeteneğinin en son örneğini sunuyor.
VASA yapay zeka sistemi, tek bir görsel ve ses kaydı kullanarak gerçek insanların konuşuyormuş gibi görünen yüzler oluşturabiliyor.
VASA-1, hem ses hemde yüz ifadeleri oluşturabiliyor
İlk olarak VASA-1 adı verilen modelde kullanılan sistem, görsel ve ses kayıtları ile oldukça gerçekçi sonuçlar elde ediyor. VASA-1, yüz ifadeleri, tamamen uyumlu ve gecikmesiz senkronize dudak hareketleri ile doğal kafa hareketlerini üretebiliyor.
Modelin yetenekleri sadece dudak hareketlerini sesle eşleştirmekle ve birkaç yüz ifadesiyle sınırlı değil. Ayrıca, çeşitli duyguları ve hatta kişinin yüzündeki en küçük detayları bile algılayabiliyor. Bu özellikler sayesinde sonuçlar, oldukça gerçekçi ve inandırıcı bir şekilde ortaya çıkıyor.
VASA-1’i kullananlar, üretilen videolar üzerinde tam kontrole sahip olacaklar. Karakterin bakış yönünü, mesafeyi ve hatta duygusal durumunu değiştirebilecekler. Bu modelin en dikkat çeken özelliklerinden biri ise her türlü girdiden sonuç üretebilmesi. Sanatsal fotoğraflardan şarkı sözlerine ve İngilizce olmayan konuşmalara kadar geniş bir veri yelpazesini kullanarak yüksek çözünürlüklü videolar oluşturabilir.
Microsoft, VASA-1’i şimdilik geniş çapta sunma gibi bir planının olmadığını belirtti, çünkü bu teknolojinin bazı endişelere yol açabileceğini kabul ediyor. Modelin geleceği ve kullanıma sunulma şekli, ilerleyen zamanlarda belirlenecek.