VASA 1 : ఫొటోలు, వీడియోలుగా మారుతాయ్.. విత్ ఎమోషన్స్‌, ఎక్స్‌ప్రెషన్స్‌ !

VASA 1 : సాధారణ ఫొటోలు.. వీడియోలుగా మారిపోతే.. మనకు ఇష్టం వచ్చిన విధంగా వాటికి ఎమోషన్స్‌, ఎక్స్‌ప్రెషన్స్‌ను కూడా జతకలిపే అవకాశముంటే.. భలేగా ఉంటుంది కదూ!! అటువంటిదే ఓ కొత్త  ఆర్టిఫీషియల్ ఇంటెలీజెన్స్ (ఏఐ) మోడల్‌ను మైక్రోసాఫ్ట్ తీసుకొచ్చింది. దానిపేరే.. ‘వాసా-1’!! వాసా-1 అంటే.. ‘విజువల్ ఎఫెక్టివ్ స్కిల్స్ ఆడియో-1’.

Super easy to generate the videos.

Would you like to try VASA-1? pic.twitter.com/ogFjjKvOjt

— Eduardo Borges (@duborges) April 18, 2024

We’re now on WhatsApp. Click to Join

శాంపిల్ వీడియోలు చూడండి..

మైక్రోసాఫ్ట్ అధికారిక వెబ్‌సైట్‌లో వాసా-1 (VASA 1)తో చేసిన కొన్ని  శాంపిల్ వీడియోలను షేర్ చేశారు. వాటిని చూసి నెటిజన్స్ అవాక్కవుతున్నారు.  ఈ ఏఐ టూల్‌లోకి మనం తొలుత కొన్ని ఫొటోలను అప్‌లోడ్ చేసుకోవాలి. అనంతరం ఆడియో క్లిప్‌ను కూడా అప్‌లోడ్ చేసుకోవాలి. తదుపరిగా వాటన్నింటిని సింక్ చేసే ఒక ఆప్షన్‌ను క్లిక్ చేయాలి. ఆ వెంటనే ఫొటోలన్నీ కలిసిపోయి కొత్త వీడియో తయారవుతుంది.  మనం అప్‌లోడ్ చేసిన ఆడియోను.. చక్కటి ఎమోషన్, ఎక్స్‌ప్రెషన్‌తో ఆ ఫొటోలు మాట్లాడటం మొదలుపెడతాయి. ముఖ కండరాలు, పెదవులు, ముక్కు, తల కదలికలన్నీ చాలా పర్ఫెక్టుగా ఉండటం ఈ వీడియో జనరేటర్ సాఫ్ట్‌వేర్ ప్రత్యేకత.  వాసా-1 ప్రస్తుతం 40 ఎఫ్‌పీఎస్ వద్ద గరిష్టంగా 512×512 పిక్సెల్ రిజల్యూషన్‌తో మాత్రమే వీడియోను రూపొందించగలదు. ఇంగ్లిష్‌తో పాటు ఇతర ప్రపంచభాషల ఆడియో క్లిప్‌లను కూడా ఇది సపోర్ట్ చేస్తుంది.

Also Read :Prisoners Voting Rights : ఖైదీలకు ఓటుహక్కు ఉంటుందా ? ఉండదా ?

మైక్రోసాఫ్ట్ ఏం చెప్పిందో తెలుసా ?

ఫేక్ వీడియోలను తయారు చేసే వాళ్ల చేతిలో ఇలాంటి సాఫ్ట్‌వేర్ పడితే అంతే సంగతి. దుర్వినియోగం చేసే అవకాశం ఉంటుంది. ఈ సమస్యపై మైక్రోసాఫ్ట్ స్పందించింది.  ఈ వీడియో జనరేటర్ సాఫ్ట్‌వేర్ డెమోను కూడా ప్రజల కోసం విడుదల చేసే ప్రసక్తే లేదని తేల్చి చెప్పింది. ఈ సాఫ్ట్‌వేర్‌తో ఫేక్ వీడియోలను క్రియేట్ చేసి దుర్వినియోగానికి పాల్పడే ప్రమాదం ఉందని ఆందోళన వ్యక్తం చేసింది. అచ్చం నిజమైనవిగా కనిపించే వర్చువల్ క్యారెక్టర్ల తయారీకి ఈ సాఫ్ట్‌వేర్‌ను పరిమితం చేస్తామని మైక్రోసాఫ్ట్ స్పష్టం చేసింది. ఇప్పట్లో  ఇలాంటి సున్నితమైన టెక్నాలజీని ప్రజలకు విడుదల చేసే ఆలోచనే లేదని వెల్లడించింది.

Introducing: VASA-1 by Microsoft Research.

TL;DR: single portrait photo + speech audio = hyper-realistic talking face video with precise lip-audio sync, lifelike facial behavior, and naturalistic head movements, generated in real time.

Tap to see all the videos. pic.twitter.com/pPC6qZOBW2

— Eduardo Borges (@duborges) April 18, 2024

Also Read :Vitamin D : సూర్య కిరణాలే కాదు, ఈ పానీయాలు విటమిన్ డి లోపాన్ని నయం చేస్తాయి..!