Text-to-video AI: संगणक एका वाक्यावरून जिवंत हालचाली असणारा व्हिडिओ कसा तयार करतो?

शब्दांच्या कल्पनेतून उलगडणारा चालता-बोलता पडदा

काही काळापूर्वीपर्यंत एआय केवळ स्थिर चित्रे बनवू शकत होते: एखाद्या पर्वताचे चित्र, मांजराचा फोटो किंवा ऐतिहासिक महाल. पण आज तुम्ही केवळ एक ओळ टाईप करता: 'पावसात मुंबईच्या मरीन ड्राईव्हवर धावणारा छोटा कुत्रा आणि उसळणाऱ्या लाटा'. काही सेकंदांत स्क्रीनवर असा व्हिडिओ सुरू होतो, जणू एखाद्या कॅमेरामनने ड्रोन उडवून तो प्रसंग प्रत्यक्ष शूट केला आहे. लाटांचा फेस, रस्त्यावरील पाण्याचे थेंब आणि कुत्र्याच्या अंगावरील भिजलेले केस सर्व काही जिवंत वाटते. या तंत्रज्ञानाला केवळ शब्दांवरून व्हिडिओ तयार करणारे तंत्रज्ञान (टेक्स्ट-टू-व्हिडिओ) म्हणतात.

एका स्थिर चित्रापेक्षा व्हिडिओ बनवणे हे संगणकासाठी हजार पटींनी कठीण काम असते. कारण एका सेकंदाच्या व्हिडिओमध्ये चोवीस ते तीस वेगवेगळे फोटो (फ्रेम्स) असतात. जर पहिल्या फोटोतील कुत्रा पुढच्या फोटोत अचानक वेगळा दिसला किंवा लाट भलत्याच बाजूला वळली, तर व्हिडिओ कृत्रिम आणि हास्यास्पद वाटू लागतो. त्यामुळे संगणकाला जागेसोबतच वेळेचे भानही ठेवावे लागते.

२४ मातीची चित्रे आणि फिरणारे चित्रचक्र (झोएट्रोप)

हालचाल कशी निर्माण होते हे समजण्यासाठी एकोणिसाव्या शतकातील 'चित्रचक्र' (झोएट्रोप) या खेळण्याची कल्पना करा. एका फिरणाऱ्या पिंजऱ्याच्या आत धावणाऱ्या घोड्याची चोवीस चित्रे एकापाठोपाठ एक लावलेली असायची. पिंजरा जोरात फिरवला की डोळ्यांना घोडा प्रत्यक्षात धावताना दिसायचा.

जर त्या चोवीस चित्रांपैकी एका चित्रात घोड्याचा पाय अचानक लांब झाला किंवा त्याचा रंग बदलला, तर संपूर्ण भ्रम एका क्षणात तुटून पडायचा. मजकुरावरून व्हिडिओ बनवणारे एआय मॉडेल अगदी याच नियमावर चालते. ते डिजिटल धुळीतून चित्र उभारणाऱ्या पद्धतीवर (डिफ्युजन मॉडेल्स) आधारित असते. अवकाश आणि काळ या दोन्हीची एकाच वेळी सांगड घालणारी प्रणाली (स्पेशिओ-टेंपोरल मॉडेल्स) वापरून वेगवेगळ्या फ्रेम्समधील हालचालींवर सलग लक्ष ठेवणारे अंतर्गत थर (टेंपोरल अटेंशन लेअर्स) कुत्र्याचा वेग, पाण्याचा प्रवाह आणि वाऱ्याची दिशा प्रत्येक फ्रेममध्ये तंतोतंत जुळवून ठेवतात.

तरीही यामध्ये काही गमतीशीर चुका होतात. एखादी वस्तू झाडामागे लपल्यानंतर ती पुढे तशीच बाहेर आली पाहिजे, याला भौतिकशास्त्रात वस्तूचे शाश्वत अस्तित्व (ऑब्जेक्ट परमनन्स) म्हणतात. एआय अनेकदा हे विसरते आणि झाडामागे गेलेली लाल गाडी पांढरी होऊन बाहेर येते! धावताना अचानक अस्वाभाविक तिसरा पाय उमटणे किंवा बोटे वितळणे (फँटम ॲनाटॉमी) या चुकाही वारंवार घडतात.

एआय व्हिडिओ ओळखण्याच्या चार प्रमुख त्रुटी

सोशल मीडियावर व्हायरल होणारा व्हिडिओ खरा आहे की एआयनिर्मित, हे ओळखण्यासाठी खालील गोष्टी पाहाव्यात:

• भौतिकशास्त्राच्या नियमांचे उल्लंघन: पाणी उलटे वाहणे, काच न फुटता वस्तू आरपार जाणे किंवा माणसाची सावली चुकीच्या दिशेला पडणे.
• पार्श्वभूमीतील वस्तू अचानक गायब होणे: चालणारी माणसे किंवा रस्त्यावरील गाड्या अचानक हवेत विरघळताना दिसणे.
• हात, पाय आणि बोटांची विचित्र हालचाल: चालताना पायांची हालचाल जमिनीवर घसरल्यासारखी (मूनवॉक) दिसणे.
• पाटीवरील अक्षरे आणि आकडे: दुकानांच्या पाट्यांवरील किंवा वाहनांच्या नंबरप्लेटवरील अक्षरे विचित्र आणि वाचता न येणाऱ्या लिपीत असणे.

सत्यता पडताळणीचे डिजिटल पुरावे

भविष्यात बनावट व्हिडिओंचा सुळसुळाट रोखण्यासाठी व्हिडिओच्या मूळ उगमाची डिजिटल नोंद (कंटेंट प्रॉव्हेनन्स) आणि व्हिडिओच्या फाइलमध्ये दडवलेले सुरक्षित डिजिटल शिक्के (क्रिप्टोग्राफिक मेटाडेटा) तपासण्याची साधने वापरली जात आहेत.

नाटकातील पडद्यापासून सुरू झालेला चलचित्रांचा प्रवास आज एआयच्या माध्यमातून नव्या वळणावर आला आहे. हे तंत्रज्ञान कसे काम करते हे समजल्यास आपण त्याच्या कल्पकतेचा योग्य वापरही करू शकतो आणि सोशल मीडियावरील खोट्या दृश्यांपासून स्वतःचा आणि समाजाचा सुरक्षित बचावही करू शकतो.