Google je napravio značajan korak napred u svetu veštačke inteligencije. Njihov najmoćniji model, Gemini, sada je u stanju da generiše animirane avatare čiji su pokreti usana savršeno usklađeni sa sintetizovanim govorom. Ovo nije samo kozmetička nadogradnja – reč je o tehnologiji koja bi mogla da promeni način na koji komuniciramo sa mašinama, ali i kako mašine komuniciraju sa nama.
Do sada su AI generatori govora zvučali impresivno, ali su često ostajali “zarobljeni” u statičnim slikama ili nespretnim animacijama koje odaju utisak jeftine produkcije. Google je sada rešio taj problem. Zahvaljujući naprednim modelima za generisanje videa i audio obrade, Gemini može da kreira likove koji izgledaju kao da zaista izgovaraju svaku reč. Usne se pomeraju u realnom vremenu, a mimika prati intonaciju i emocije u glasu.
Kako ovo funkcioniše u praksi?
Suština je u kombinaciji više AI modela. Jedan model zadužen je za pretvaranje teksta u govor (text-to-speech), drugi analizira taj audio zapis i mapira foneme – najmanje zvučne jedinice – na odgovarajuće oblike usta. Treći model, zadužen za video, zatim generiše animaciju koja prati te pokrete. Rezultat je avatari koji deluju neverovatno prirodno, čak i kada izgovaraju složene rečenice na različitim jezicima.
Ovo otvara vrata brojnim primenama. Od virtuelnih asistenata koji će izgledati kao prave osobe, preko edukativnih videa gde nastavnici mogu da “ožive” istorijske ličnosti, do marketinških kampanja sa personalizovanim animiranim likovima. Zamislite samo mogućnost da vaš brend dobije svog digitalnog ambasadora koji tečno govori srpski, a pritom izgleda kao da je snimljen u studiju.
Šta to znači za srpsko tržište?
Iako je ova tehnologija još u fazi testiranja, njen potencijal je ogroman. Domaće kompanije koje se bave digitalnim marketingom, e-učenjem ili razvojem aplikacija mogle bi vrlo brzo da iskoriste Gemini za kreiranje lokalizovanog sadržaja. Umesto skupih snimanja sa glumcima, dovoljno je uneti tekst i izabrati lik – sve ostalo radi AI. Naravno, ostaje pitanje etike i autorskih prava, ali to je tema za neki drugi tekst.
Google je najavio da će funkcija postepeno biti dostupna kroz Gemini API, što znači da će developeri moći da je integrišu u sopstvene aplikacije. Za sada nema informacija o tačnom datumu šireg puštanja, ali s obzirom na tempo kojim se AI razvija, ne treba sumnjati da ćemo već sledeće godine gledati avatare koji govore srpski bolje od mnogih voditelja.
Ono što je sigurno jeste da granica između stvarnog i sintetičkog postaje sve tanja. Google Gemini je još jedan dokaz da budućnost ne dolazi – ona je već tu, samo što još uvek učimo da pomeramo usne u pravom trenutku.