Text-to-video AI: കമ്പ്യൂട്ടർ ഒരു വാചകത്തിൽ നിന്ന് ചലിക്കുന്ന വീഡിയോ ഉണ്ടാക്കുന്ന വിധം

'മഴയത്ത് തിളങ്ങുന്ന റോഡിലൂടെ ഒരു പൂച്ച കുടയും പിടിച്ച് നടന്നുപോകുന്നു' എന്ന് വെറുതെ ഒരു വരി ടൈപ്പ് ചെയ്തുകൊടുത്താൽ, ഏതാനും നിമിഷങ്ങൾക്കകം ഒരു ഹോളിവുഡ് സിനിമ പോലെ മനോഹരമായ ഒരു വീഡിയോ കമ്പ്യൂട്ടർ ഉണ്ടാക്കിത്തന്നാലുള്ള അനുഭവം ഒന്നോർത്തുനോക്കൂ. ഇന്നലെ വരെ മനുഷ്യർക്ക് ഭാവനയിൽ മാത്രം കാണാൻ കഴിഞ്ഞിരുന്ന ഇത്തരം കാര്യങ്ങൾ ഇന്ന് ടെക്സ്റ്റ്-ടു-വീഡിയോ എഐ ടൂളുകളിലൂടെ യാഥാർത്ഥ്യമായിക്കൊണ്ടിരിക്കുകയാണ്.

സ്ഥലവും സമയവും ഒരുമിച്ചു പഠിക്കുന്ന എഐ

ഒരു സാധാരണ ചിത്രം ഉണ്ടാക്കുന്നതിനേക്കാൾ നൂറുമടങ്ങ് സങ്കീർണ്ണമാണ് ഒരു വീഡിയോ ഉണ്ടാക്കുന്നത്. വെറുമൊരു നിശ്ചല ദൃശ്യമല്ല, ഓരോ സെക്കൻഡിലും ഇരുപത്തിനാല് ഫ്രെയിമുകൾ വീതമുള്ള തുടർച്ചയായ ചലനമാണ് വീഡിയോ.

ഇതിനായി മങ്ങലുകൾ പടിപടിയായി മായ്ച്ച് ദൃശ്യങ്ങൾ രൂപപ്പെടുത്തുന്ന രീതിയാണ് (ഡിഫ്യൂഷൻ മോഡലുകൾ അഥവാ Diffusion Models) കമ്പ്യൂട്ടർ ഉപയോഗിക്കുന്നത്. ഇതിൽ സ്ഥലവും സമയവും ഒരുപോലെ കണക്കുകൂട്ടുന്ന അതിനൂതന സംവിധാനങ്ങൾ (സ്പേഷ്യോ-ടെമ്പോറൽ മോഡലുകൾ അഥവാ Spatio-Temporal Models) പ്രവർത്തിക്കുന്നു.

ആദ്യ ഫ്രെയിമിലുള്ള പൂച്ചയുടെ വാലോ കണ്ണടയോ അടുത്ത ഫ്രെയിമിൽ മാറിപ്പോകാതിരിക്കാൻ, ചലനങ്ങളുടെ തുടർച്ച ഉറപ്പാക്കുന്ന പ്രത്യേക ആന്തരിക പാളികളാണ് (ടെമ്പോറൽ അറ്റൻഷൻ ലെയറുകൾ അഥവാ Temporal Attention Layers) കമ്പ്യൂട്ടർ ഉപയോഗിക്കുന്നത്. വസ്തുക്കൾ ക്യാമറയിൽ നിന്ന് അല്പം മാറിയാലും അവ അവിടെത്തന്നെ ഉണ്ടെന്ന ധാരണ (ഒബ്ജക്റ്റ് പെർമനൻസ് അഥവാ Object Permanence) നിലനിർത്താൻ കമ്പ്യൂട്ടർ ശ്രമിക്കുന്നു.

സിനിമാ സംവിധായകരും ആനിമേഷൻ വിദഗ്ദ്ധരും ഇന്ന് പുതിയ കഥകളുടെ പ്രാഥമിക ദൃശ്യങ്ങൾ വേഗത്തിൽ രൂപകൽപ്പന ചെയ്യാൻ ഇത്തരം ടൂളുകൾ വ്യാപകമായി ഉപയോഗിക്കുന്നുണ്ട്. ക്യാമറയുടെ കോണുകൾ മാറ്റാനും വെളിച്ചം ക്രമീകരിക്കാനും ടെക്സ്റ്റ് പ്രോംപ്റ്റുകൾ വഴി എളുപ്പം സാധിക്കുന്നു. എങ്കിലും ഒരു പൂർണ്ണ സിനിമയ്ക്ക് ആവശ്യമായ ആഴത്തിലുള്ള വികാരങ്ങളും സൂക്ഷ്മ ഭാവങ്ങളും നൽകാൻ മനുഷ്യ കലാകാരന്മാരുടെ ഇടപെടൽ ഇപ്പോഴും അത്യന്താപേക്ഷിതമാണ്.

എഐ വീഡിയോകൾ തിരിച്ചറിയാനുള്ള സൂചനകൾ

എങ്കിലും ഭൗതികശാസ്ത്ര നിയമങ്ങൾ പൂർണ്ണമായി മനസ്സിലാക്കാൻ യന്ത്രങ്ങൾക്ക് ഇന്നും വലിയ ബുദ്ധിമുട്ടാണ്. സോഷ്യൽ മീഡിയയിൽ പ്രചരിക്കുന്ന അത്ഭുത വീഡിയോകൾ വ്യാജമാണോ എന്ന് തിരിച്ചറിയാൻ ഈ ലളിതമായ കാര്യങ്ങൾ ശ്രദ്ധിക്കുക:

• അസ്വാഭാവിക ശരീരഭാഗങ്ങൾ ശ്രദ്ധിക്കുക (ഫാന്റം അനാട്ടമി അഥവാ Phantom Anatomy): പല എഐ വീഡിയോകളിലും മനുഷ്യർക്ക് ആറ് വിരലുകൾ വരുന്നതും നടക്കുമ്പോൾ കാലുകൾ തമ്മിൽ അലിഞ്ഞുപോകുന്നതും കാണാം.
• ഭൗതിക നിയമങ്ങൾ പാലിക്കപ്പെടുന്നുണ്ടോ എന്ന് നോക്കുക: വെള്ളത്തിന്റെ ഒഴുക്ക്, തീയുടെ പുക, വസ്ത്രങ്ങളുടെ കാറ്റിലെ ചലനം എന്നിവ സ്വാഭാവികമാണോ എന്ന് പരിശോധിക്കുക.
• പശ്ചാത്തലത്തിലെ മനുഷ്യരെയും വസ്തുക്കളെയും ശ്രദ്ധിക്കുക: പ്രധാന കഥാപാത്രത്തിന് പിന്നിലുള്ള ആളുകളുടെ മുഖങ്ങൾ വികൃതമായി മാറുകയോ വസ്തുക്കൾ പെട്ടെന്ന് അപ്രത്യക്ഷമാവുകയോ ചെയ്യുന്നുണ്ടോ എന്ന് നോക്കുക.
• ഡിജിറ്റൽ ആധികാരികതാ വിവരങ്ങൾ (കണ്ടന്റ് പ്രൊവെനൻസ് അഥവാ Content Provenance) പരിശോധിക്കുക: ചിത്രം ക്യാമറയിൽ എടുത്തതാണോ എഐ നിർമ്മിതമാണോ എന്ന് വ്യക്തമാക്കുന്ന ഡിജിറ്റൽ വിവരങ്ങൾ (ക്രിപ്റ്റോഗ്രാഫിക് മെറ്റാഡാറ്റ അഥവാ Cryptographic Metadata) ഫയലുകളിൽ ഉണ്ടോ എന്ന് പരിശോധിക്കുക.

വീഡിയോകളുടെ വിശ്വാസ്യത പരിശോധിക്കാനുള്ള പ്രായോഗിക വഴികൾ

സോഷ്യൽ മീഡിയയിൽ പ്രചരിക്കുന്ന വിചിത്ര വീഡിയോകൾ കാണുമ്പോൾ ഇവ ശ്രദ്ധിക്കുക:

• വീഡിയോയിലെ ശബ്ദവും ചുണ്ടുകളുടെ ചലനവും തമ്മിലുള്ള പൊരുത്തക്കേടുകൾ ശ്രദ്ധിക്കുക: സംസാരത്തിനൊത്ത് ചുണ്ടുകൾ ചലിക്കുന്നുണ്ടോ എന്ന് നോക്കുക.
• വിശ്വാസ്യതയുള്ള വാർത്താ മാധ്യമങ്ങളിലൂടെ സ്ഥിരീകരിക്കുക: അവിശ്വസനീയമായ സംഭവങ്ങൾ കാണുമ്പോൾ പ്രമുഖ മാധ്യമങ്ങൾ ഇത് റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ എന്ന് അന്വേഷിക്കുക.

ടെക്സ്റ്റ്-ടു-വീഡിയോ എഐ സിനിമാ നിർമ്മാണത്തിലും വിദ്യാഭ്യാസത്തിലും വലിയ വിപ്ലവമാണ് സൃഷ്ടിക്കുന്നത്. എന്നാൽ കണ്ണിന് മുന്നിൽ കാണുന്ന ദൃശ്യങ്ങളെല്ലാം സത്യമല്ലെന്ന വിവേകത്തോടെ സമീപിച്ചാൽ, വ്യാജവാർത്തകളിൽ നിന്നും തെറ്റിദ്ധാരണകളിൽ നിന്നും നമുക്ക് പൂർണ്ണ സുരക്ഷിതരായിരിക്കാം.

ഡിജിറ്റൽ യുഗത്തിൽ കാണുന്നതെല്ലാം കണ്ണടച്ച് വിശ്വസിക്കാതിരിക്കുക. ആധികാരിക സ്രോതസ്സുകളിലൂടെ മാത്രം വിവരങ്ങൾ ഉറപ്പുവരുത്തുക.

വിവരങ്ങൾ കൃത്യമായി പരിശോധിച്ച ശേഷം മാത്രം മറ്റുള്ളവരുമായി പങ്കുവെക്കുക. നിങ്ങളുടെ ജാഗ്രത സമൂഹത്തിൽ സത്യം നിലനിൽക്കാൻ കരുത്തേകും.