A DeepSeek után most a TikTok tulajdonosa, a szintén kínai ByteDance állt elő egy új mesterséges intelligenciával – számolt be róla a Venture Beat. Az OmniHuman nevű rendszer képes az egyes fényképeket valósághű videókká alakítani, amelyeken emberek beszélnek, énekelnek és természetesen mozognak. A lap szerint egy olyan áttörésről van szó, ami átalakíthatja a szórakoztatást és a kommunikációt.
A rendszer túlszárnyalja a korábbi, hasonló eredményeket produkáló mesterséges intelligenciákat. Azok ugyanis eddig csupán az arc, vagy legfeljebb a felsőtest mozgását generálták le, az OmniHuman azonban a teljes testtel megteszi ezt. Az ábrázolt személynél még a gesztikulációt is elkészíti.
Az arXiv preprint szerveren megjelent publikáció szerint a ByteDance mérnökei 18 700 órányi videóval képezték ki a rendszert, ami többféle adatot – szöveget, hangot és testmozgást – kombinál. Ez lehetővé teszi a mesterséges intelligencia számára, hogy sokkal nagyobb és változatosabb adatkészletből dolgozzon, mint a korábbi fejlesztések.
A megoldás jelentős előrelépést jelent a mesterséges intelligencia által generált tartalmak terén, amellyel beszélő embert és hangszeren játszó zenészt is meg lehet jeleníteni. A tesztelés során az OmniHuman felülmúlta a meglévő rendszereket több minőségi benchmark tekintetében is.
Iparági szakértők szerint egy ilyen technológia átalakíthatja a szórakoztatóipart, az oktatási anyagok készítését és a digitális kommunikációt is. Ugyanakkor aggodalomra ad okot, mert rossz kezekbe kerülve átverésre, álhírgyártásra és egyéb csalásokra használhatják fel.
Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.
