Awatar AI z jednego zdjęcia: reklama a rzeczywistość

W rozmowach o współpracy słyszałem już mniej więcej takie zdanie: „przecież wystarczy wrzucić zdjęcie i pięć minut później mam awatara”. Trudno się temu dziwić, bo tak właśnie wygląda wiele reklam narzędzi do tworzenia awatarów AI: wgrywasz jedno zdjęcie albo krótkie nagranie i po kilku minutach (przy nagraniu najpóźniej następnego dnia) dostajesz cyfrową wersję siebie, która nagra film szkoleniowy, reklamę, powitanie na stronę i wszystko, co jeszcze przyjdzie Ci do głowy. Sama technologia naprawdę istnieje i robi na mnie ogromne wrażenie, ale między tym, co widać w reklamie, a tym, co dostaje się na co dzień, jest spora różnica, o której warto wiedzieć, zanim wyda się na to pierwsze pieniądze.

Awatar AI z jednego zdjęcia w pięć minut

Obietnica jest prosta i właśnie dlatego tak dobrze działa: jedno zdjęcie, kilka minut i awatar „do wszystkiego”. W reklamie widać postać, która mówi płynnie, patrzy prosto w kamerę, porusza się naturalnie, a ruch ust zgadza się z każdym wypowiedzianym słowem. Czytałem relacje osób, które tego spróbowały, i zwykle mają one ten sam przebieg: ktoś wykupuje abonament, wgrywa swoje zdjęcie, generuje pierwszy film i jest rozczarowany, bo postać na ekranie co prawda przypomina tę osobę z wyglądu, ale mruga w dziwnym rytmie, ma sztywne ramiona albo w połowie zdania robi minę, która zupełnie nie pasuje do tego, co właśnie mówi. Pierwsza myśl jest wtedy taka, że gdzieś po drodze popełniło się błąd, a wydaje mi się, że w wielu przypadkach chodzi o coś innego: o to, czym w ogóle jest film pokazany w reklamie.

Reklama awatara AI jak plakat z burgerem

Najprostsze porównanie, jakie mi się nasuwa, to plakat w barze szybkiej obsługi. Burger na plakacie jest wysoki, soczysty, sałata wygląda na chrupiącą, a ser rozpływa się dokładnie tam, gdzie powinien, natomiast to, co dostajesz na tacy, zazwyczaj wygląda zupełnie inaczej, choć składniki są te same. Nikt tu nikogo wprost nie oszukuje: to po prostu marketing, a plakat pokazuje burgera w najlepszej możliwej wersji, przygotowanego specjalnie do zdjęcia przez ludzi, którzy się na tym znają, zupełnie innego niż ten, który wychodzi z kuchni w porze obiadu, kiedy przy ladzie stoi kolejka.

Z reklamami narzędzi AI jest moim zdaniem bardzo podobnie: film z reklamy to najlepszy wynik, jaki udało się uzyskać, a nie to, co zwykle dostaje się po pierwszym podejściu, i różnica między jednym a drugim bywa równie duża jak między burgerem z plakatu a burgerem z tacy.

Kto naprawdę stoi za filmem z reklamy

Wydaje mi się, że za takim filmem zwykle stoi kilka osób, z których każda jest specjalistą w swojej dziedzinie. Znają narzędzia i ich ograniczenia, mają za sobą wiele eksperymentów, a po przetestowaniu mnóstwa zdjęć i nagrań wiedzą, jaki materiał źródłowy daje najlepszy efekt (oświetlenie, kadr, ubranie, tło, tempo mówienia, nawet to, jak ułożone są ręce). Poświęciły na to czas, a często także pieniądze, i z tego wszystkiego wybrały do reklamy to, co wyszło najlepiej.

To nie jest zarzut, bo kto pokazuje swój produkt, zwykle pokazuje go z najlepszej strony (ja zresztą też). Warto jednak pamiętać, że taki film to najpewniej efekt pracy zespołu, który dokładnie wie, co robi, a nie pięciu minut jednej osoby, która wgrała pierwsze zdjęcie z telefonu.

Dlaczego AI za każdym razem generuje coś innego

Druga rzecz, o której reklamy nie wspominają, jest dla mnie jeszcze ważniejsza: nawet jeśli raz uda Ci się uzyskać przyzwoity wynik, wcale nie znaczy to, że następnym razem dostaniesz podobny. W działaniu modeli AI, które generują obrazy, dźwięk i wideo, jest element losowości, więc to samo polecenie potrafi za każdym razem dać inny wynik: raz bardzo dobry, raz wyraźnie gorszy, a raz taki, którego nikomu bym nie pokazał.

Przy obrazach i wideo mogę na własnym sprzęcie zapisać ustawienia i odtworzyć ten sam wynik, ale tylko dla identycznego polecenia (przy muzyce nie udaje mi się nawet to). Przy awatarze chodzi przecież o to, żeby postać w każdym filmie mówiła coś innego, a każdy nowy tekst trzeba wygenerować osobno i nie wiadomo z góry, co z tego wyjdzie. Awatar „do wszystkiego” wygląda więc w praktyce tak, że każdy kolejny film powstaje od nowa i w każdym coś może pójść inaczej.

Dla firmy oznacza to, że w budżecie trzeba uwzględnić nie tylko abonament, ale też czas na kolejne próby i na wybór najlepszej wersji, a ten czas trudno przewidzieć z góry, bo zależy od tego, jak bardzo dany tekst, ujęcie czy ruch odbiega od tego, z czym model radzi sobie dobrze.

Generowanie obrazów, wideo i piosenek u mnie w domu

Widzę to na co dzień: obrazy, krótkie filmy i muzykę generuję na komputerach, które stoją u mnie w domu (korzystam przy tym z mniejszych modeli AI, słabszych od tych, na których działają najdroższe usługi), ale zasada jest ta sama. Czasem dostaję naprawdę ładne obrazy i filmy, a czasem coś, co od razu ląduje w koszu. Jedno wychodzi za pierwszym razem, a coś innego nie chce wyjść mimo wielu prób. Kiedy przygotowywałem krótki materiał z wygenerowanym prezenterem, automatyczna selekcja uznała część ujęć za udane, a w innych, przy tym samym poleceniu, postać nagle odwracała wzrok od kamery albo kadr bez żadnego powodu przeskakiwał.

Z piosenkami jest podobnie: każdą, którą dotąd zrobiłem, wybierałem z puli od ośmiu do dwudziestu czterech wersji. Pierwszą piosenkę, którą opublikowałem na swoim kanale na YouTube, wybrałem spośród dwudziestu czterech wygenerowanych wersji (w trzech różnych gatunkach).

Ile naprawdę kosztuje awatar AI

Nie chcę przy tym, żeby zabrzmiało to tak, jakby to wszystko nie działało, bo działa: dobre filmy z awatarem można już zrobić, głos można sklonować, a dźwięk i krótkie klipy wygenerować w jakości, która jeszcze niedawno była poza zasięgiem. Żeby jednak dojść do takiego wyniku, potrzeba czasu, wysiłku i zazwyczaj pieniędzy, i nie spodziewałbym się, że abonament za dziesięć czy trzydzieści dolarów miesięcznie da Ci awatara, którego użyjesz do każdego celu.

AI naprawdę obniża koszty, ale nie do absolutnego minimum (liczby podaję wyłącznie dla ilustracji, to nie jest cennik): jeśli teledysk kosztował kiedyś, powiedzmy, dziesięć tysięcy złotych, to dziś, z pomocą AI, może kosztować około dwóch tysięcy, czyli kilka razy mniej, ale wciąż nie kilkadziesiąt czy sto złotych, jak mogłaby sugerować cena abonamentu. Różnicę między ceną abonamentu a kosztem gotowego filmu wypełnia czyjaś praca: przygotowanie materiału źródłowego, kolejne próby, wybieranie, poprawianie i składanie całości.

Nowe kompetencje: zamiast montażysty ktoś, kto prowadzi AI

Moim zdaniem AI w dużej mierze nie usuwa potrzebnych kompetencji, tylko je zmienia: być może nie potrzebujesz już montażysty, bo część jego pracy może wykonać AI, ale potrzebujesz kogoś, kto poprowadzi AI dokładnie tam, gdzie chcesz dojść, czyli kogoś, kto wie, jaki materiał źródłowy przygotować, ile wersji wygenerować, po czym poznać, która z nich jest dobra, i w którym momencie przestać poprawiać. Taka osoba nie musi umieć ręcznie montować filmów, ale musi wiedzieć, jak ma wyglądać efekt końcowy i jak go osiągnąć z narzędziem, które przy każdej próbie odpowiada trochę inaczej.

Właśnie w tym widzę prawdziwą zmianę: koszt samego wygenerowania obrazu, głosu czy kilku sekund wideo spadł bardzo mocno, a koszt doprowadzenia tego do wyniku, który można spokojnie pokazać odbiorcom, spadł znacznie mniej, bo w dużej części jest to koszt czyjejś wiedzy i czasu.

Więcej takich nieporozumień wokół AI zebrałem na stronie głównej, w części Co warto wiedzieć przed naszą rozmową.

W skrócie

Film z reklamy narzędzia do awatarów to zwykle najlepszy wynik, jaki udało się uzyskać, a nie typowy efekt pięciu minut z jednym zdjęciem.
W działaniu modeli AI, które generują obraz, dźwięk i wideo, jest element losowości, więc jeden dobry wynik nie gwarantuje, że kolejny będzie podobny.
U mnie w domu przy tym samym poleceniu dobre wyniki przeplatają się ze złymi, a pierwszą opublikowaną piosenkę wybrałem spośród dwudziestu czterech wersji.
AI wyraźnie obniża koszty materiałów wideo i audio, ale nie do poziomu ceny abonamentu.
Uważam, że zmieniają się kompetencje: zamiast kogoś, kto montuje ręcznie, potrzebny jest raczej ktoś, kto prowadzi AI do konkretnego efektu.