Όσο περνάει ο καιρός, οι τεχνολογικοί κολοσσοί λανσάρουν όλο και περισσότερα εργαλεία ΑΙ, τα οποία έρχονται να προσφέρουν στους καταναλωτές νέες δυνατότητες. Μέχρι στιγμής έχουμε δει αρκετά chatbots και image generators, που ανεβάζουν την επεξεργασία των φωτογραφιών σε νέο level. Τώρα, ήρθε η ώρα να γνωρίσουμε το VASA-1 της Microsoft, το οποίο έχει την ικανότητα να πάρει τη φωτογραφία ενός προσώπου και να της δώσει… πνοή.
Πιο συγκεκριμένα, το νέο AI tool μπορεί να δημιουργεί εκφράσεις προσώπου και κινήσεις του κεφαλιού στην υπάρχουσα εικόνα και τις κατάλληλες κινήσεις των χειλιών για να ταιριάζει με μια ομιλία ή ένα τραγούδι. Η αρμόδια ομάδα δημοσίευσε κάποια πρώτα δείγματα στην ιστοσελίδα του project και τα αποτελέσματα φαίνονται… αξιοπρεπή και ίσως θα μπορούσαν να ξεγελάσουν τους ανθρώπους ότι είναι αληθινά.
Ενώ οι κινήσεις των χειλιών και του κεφαλιού στα δείγματα θα μπορούσαν να χαρακτηριστούν λίγο ρομποτικές και εκτός συγχρονισμού, μετά από μια προσεκτικότερη εξέταση, είναι σαφές ότι η τεχνολογία θα μπορούσε να χρησιμοποιηθεί καταχρηστικά για την εύκολη και γρήγορη δημιουργία deepfakes πραγματικών ανθρώπων. Η Microsoft γνωρίζει αυτή τη δυνατότητα και αποφάσισε να μην κυκλοφορήσει μια διαδικτυακή έκδοση του προϊόντος, μέχρι να βεβαιωθεί ότι η τεχνολογία «θα χρησιμοποιηθεί υπεύθυνα και σύμφωνα με τους κατάλληλους κανονισμούς».
Ωστόσο, δεν αναφέρθηκε αν σχεδιάζει να εφαρμόσει ορισμένες διασφαλίσεις για να αποτρέψει τη χρήση για κακόβουλους σκοπούς, όπως η δημιουργία deepfake πορνό ή οι εκστρατείες παραπληροφόρησης.
Σύμφωνα με σχετική ανακοίνωση, το VASA-1 εκπαιδεύτηκε στο σύνολο δεδομένων VoxCeleb2, το οποίο περιέχει “πάνω από 1 εκατομμύριο ομιλίες για 6.112 διασημότητες” που προήλθαν από videos του YouTube. Παρόλο που το εργαλείο εκπαιδεύτηκε σε πραγματικά πρόσωπα, λειτουργεί επίσης σε καλλιτεχνικές φωτογραφίες όπως η Μόνα Λίζα, την οποία οι ερευνητές συνδύασαν διασκεδαστικά με ένα ηχητικό αρχείο της Anne Hathaway των παπαράτσι του Lil Wayne.
