أداة ذكاء اصطناعي من مايكروسوفت تحوّل الصور إلى مقاطع فيديو واقعية لأشخاص يتحدثون ويغنون!

كشفت شركة Microsoft Research Asia عن أداة تجريبية جديدة في مجال الذكاء الاصطناعي تُدعى VASA-1، والتي تمكّن من التقاط صورة ثابتة لشخص أو رسم له، وملف صوتي لإنشاء وجه ناطق حي في الوقت الفعلي. تمتلك هذه الأداة القدرة على توليد تعبيرات الوجه وحركات الرأس لصورة ثابتة موجودة، وكذلك حركات الشفاه التي تتناسب مع الخطاب أو الأغنية. قدم الباحثون العديد من الأمثلة على صفحة المشروع، وكانت النتائج مقنعة بما يكفي لجعل الناس يعتقدون أنها حقيقية.

رغم ذلك، فإن حركات الشفاه والرأس في الأمثلة تظهر آلية إلى حد ما وغير متزامنة عند التدقيق. ومن الواضح أن هذه التكنولوجيا يمكن أن تُستخدم بشكل سيئ لإنشاء مقاطع فيديو مزيفة بسرعة وسهولة لأشخاص حقيقيين. يدرك الباحثون هذه الإمكانية وقرروا عدم إصدار عرض توضيحي عبر الإنترنت، أو واجهة برمجة التطبيقات، أو أي منتجات أو تفاصيل تنفيذ إضافية حتى يتأكدوا من استخدام تكنولوجيتهم بشكل مسؤول ووفقًا للمعايير المناسبة. ومع ذلك، لم يذكروا إن كانوا يخططون لتنفيذ ضمانات محددة لمنع الجهات الفاعلة السيئة من استخدام هذه التكنولوجيا في أغراض ضارة مثل إنشاء حملات إباحية مزيفة أو حملات معلومات مضللة.

يعتقد الباحثون أن تقنية VASA-1 تحمل فوائد عديدة رغم إمكانية إساءة استخدامها. أوضحوا أنه يمكن استخدام هذه الأداة لتعزيز المساواة التعليمية وتحسين الوصول للأشخاص الذين يواجهون تحديات في التواصل، عبر منحهم إمكانية الوصول إلى صور رمزية تتواصل معهم. كما ذكروا إمكانية استخدامها في توفير الرفقة والدعم العلاجي لمن يحتاجون إليها، مشيرين إلى أن VASA-1 قد تُستخدم في برامج تتيح التحدث إلى شخصيات الذكاء الاصطناعي.

وفقًا للورقة البحثية المرافقة للإعلان، تم تدريب VASA-1 على مجموعة بيانات VoxCeleb2، التي تضم أكثر من مليون عبارة من 6,112 مشاهير مستخلصة من مقاطع فيديو يوتيوب. ورغم تدريب الأداة على الوجوه الحقيقية، فإنها تعمل أيضًا مع الصور الفنية مثل لوحة الموناليزا، حيث قام الباحثون بدمجها بشكل مسلي مع ملف صوتي لأداء آن هاثاواي المشهور لأغنية ليل واين. يعد هذا المزج مثيرًا للإعجاب ويستحق المشاهدة، حتى لو كان البعض يشك في مدى فائدة تقنية كهذه.