Tražili smo video, on je napravio aplikaciju koja radi takav video. U pet minuta, besplatno!

Koliko su zapravo stvari otišle daleko i predaleko i koliko je umjetna inteligencija promijenila svijet pred našim očima, live, jako dobro opisuje ovaj primjer.

Mjesto radnje je Google Studio, playground koji je dostupan besplatno baš svakome i čim uđeš otvoriti se klasični chat prozorčić u koji smo, jako naivno, pod utjecajem nekih iskustava od prije par tjedana kada smo na istoj adresi sinkronizirali par sekundi zvuka sa slikom, upisali ‘imam 5 sekundi vokala i lika na slici koji bi to trebao otpjevati’…

Cilj je bio dobiti kratki video u kojem tip sa slike pjeva, animiran je i usta mu prate tekst pjesme, ali Google Studio je u međuvremenu nadograđen i alat je počeo nešto drugo raditi i naredne 343 sekunde nešto je tu u prozorčiću na ekranu izvodio, ispisivao neke štreberske riječi s ekstenzijama .json, .ts, .tsx i onda stao kako bi nam slavodobitno objavio vijest.

‘Uspješno sam izgradio i konfigurirao Vokalni Animator — interaktivni, jednosvjetski (single-view) studio lip-sync lutkarstva koji oživljava bilo kojeg lika sa slike koristeći snimljeni ili učitani glas! Aplikacija je u potpunosti prilagođena vašem zahtjevu te radi u realnom vremenu izravno u vašem pregledniku, a podržana je snažnim Gemini AI modelima na poslužiteljskoj strani’, napisao je.

Štaaa si napravio!? WTF? Bila je prva reakcija.

Zbilja, na ekranu se pojavila prava aplikacija, programčić Vokalni Animator koji sluši uparivanju slike i zvuka radi kreiranja ‘pjevajučeg’ videa. Nevjerojatno! To je složio za 343 sekunde, onako. Malo je programirao.

Srce aplikacije koristi tehnologiju koja crta odabranog lika i u stvarnom vremenu reže, deformira i pomiče regiju usta i očiju sinkronizirano s vokalnim vibracijama, objasnio je Googleov bot.

‘Prilikom otvaranja usta, iza usana se iscrtava duboka crvena šupljina, ružičasti jezik i gornji zubi, stvarajući urnebesan kazališni lutkarski efekt koji radi na bilo kojoj slici. Oči automatski trepću u pravilnim razmacima te se skupljaju i stišću pri glasnim i piskutavim tonovima vokala. Cijeli lik se njiše, naginje i skakuće u ritmu jačine i frekvencije vašeg glasa7, napisao je pored aplikacije koja je nudila nekoliko ‘templejt’ likova, opciju unošenja vlastitog lika koji treba zapjevati, opcije da u aplikaciju unesete vlastitu pjesmu ili upišete tekst koji bi lik trebao izgovoriti ili otpjevati.

‘Klikom na gumb za kalibraciju možete povući i točno pozicionirati markere za usta i oči na bilo kojoj novoj slici te podesiti njihovu veličinu pomoću klizača. Snimanje glasa omogućuje vam da izravno u aplikaciji snimite točno 5 sekundi vokala ili učitate gotovu MP3/WAV audio datoteku). Imate i opciju ‘Pjevaj uživo’ što je nevjerojatan mod u kojem vaš lik u stvarnom vremenu otvara usta i reagira na vaš mikrofon dok pričate ili pjevate’, hvalisao se Googleov robot u našem ekranu i bogme nije lagao.

Aplikacija radi, radi točno to za što je napravljena, slučajno i greškom. OK, bilo je par greškica, što je i realno, ali sve što je trebalo poboljšati samo mu je trebalo napisati u chatu i on je to bez velike drame rješavao. Uživo, odmah. Nevjerojatno.

‘Kada snimite vokal, server šalje isječak Gemini modelu koji analizira vokalnu teksturu, prepisuje tekst na hrvatskom (ili ispisuje šaljivi prijepis) i dodjeljuje vam smiješno estradno ime (npr. Operni Grizli, MC Squeak, RoboTenor) s pripadajućim vizualnim efektima pozornice! Možete upisati neki svoj tekstualni opis i Gemini će odmah izraditi portret novog lika spreman za kalibraciju i pjevanje’, objasnio je i predstavio nam svoje likove Gufi Čudovište, 3D glineni slatkiš s golemim osmijehom Robo-Tenor, Retro kiborg sa zvučnikom umjesto usta i Maestro Brko, Ekscentrični operni pjevač s golemim brkovima.

I što sad? Kako ovo svariti, shvatititi da postoji i moći mentalno sagledati koliko je daleko tehnologija otišla u par godina?

Nismo tražili aplikaciju. Nismo tražili program. Nismo tražili nekoliko stotina linija koda. Tražili smo pet sekundi videa u kojem čovjek sa slike pjeva.

Umjetna inteligencija procijenila je da je brže i pametnije izgraditi potpuno novi alat nego napraviti ono što smo od nje tražili. U manje od šest minuta osmislila je funkcionalnost, napisala kod, složila korisničko sučelje i isporučila aplikaciju koja radi. Kao usputnu stvar.

Prije dvije ili tri godine takav bi pothvat zahtijevao programera, dizajnera, možda i cijeli mali tim. Danas ga odrađuje chatbot dok vi pijete kavu i čekate da završi “razmišljanje”. To nije mala evolucija tehnologije. To je promjena paradigme.

A možda je upravo to i najuznemirujući dio cijele priče. Ako besplatni alat, dostupan svakome na internetu, danas može ovako programirati gotovo u hodu, teško je i zamisliti što već sada mogu sustavi kojima pristup imaju najveće svjetske kompanije i države. Ne zato što će netko napraviti još bolji karaoke alat, nego zato što će ista sposobnost sutra graditi stvari koje neće služiti zabavi, nego moći.