Kuva-, ääni- ja videogeneraattorit

Yleisin harhakäsitys kuvageneraattoreista on, että ne etsisivät ja yhdistelisivät valmiita kuvia. Ne eivät tee niin. Malli on opetettu tunnistamaan, miltä kohina näyttää eri vaiheissa, ja se rakentaa kuvan poistamalla kohinaa askel askeleelta niin, että lopputulos vastaa annettua sanallista kuvausta. Sama perusidea toistuu videossa ja äänessä, vaikka tekniikka eroaa yksityiskohdissa.

Ero on tärkeä kahdesta syystä. Ensinnäkin se selittää, miksi tulos on joka kerta hieman erilainen ja miksi käsissä ja tekstissä on niin usein virheitä: malli ei kopioi mallikuvaa vaan tuottaa jotain, joka on tilastollisesti uskottavaa. Toiseksi se selittää, miksi tekijänoikeuskysymykset ovat mutkikkaita. Valmiissa kuvassa ei ole palasia tunnistettavista alkuperäisteoksista, mutta malli on silti opetettu jonkun tekemällä aineistolla.

Tämä kokonaisuus etenee mekanismista käyttöön. Ensin selviää, miten kuva syntyy, sitten miten sitä ohjataan sanoilla, sen jälkeen mitä liikkuvassa kuvassa ja äänessä on toisin, ja lopuksi mitä valmiilla tiedostolla saa laillisesti tehdä.

Missä järjestyksessä kannattaa lukea

Aloita artikkelista miten tekoäly tekee kuvan, joka avaa diffuusiomallin ilman matematiikkaa. Kun mekanismi on selvä, kuvakehotteen kirjoittaminen muuttuu paljon helpommaksi: ymmärrät, miksi kuvaus kannattaa kirjoittaa sen mukaan mitä kuvassa on, ei sen mukaan mitä siinä ei saa olla.

Liikkuva kuva ja ääni kannattaa lukea tässä järjestyksessä. Videogeneraattorit kertoo, miksi peräkkäisten ruutujen pitäminen samanlaisina on vaikeampaa kuin yhden hyvän kuvan tekeminen, ja äänen kloonaus ja puhesynteesi selittää, kuinka lyhyestä näytteestä ääni syntyy. Ääniartikkeli kannattaa lukea, vaikka et aikoisi itse tehdä puhetta, koska sama tekniikka on huijareiden käytössä. Siitä puolesta kertoo tarkemmin syväväärennökset.

Viimeisenä on käytännön kysymys, joka tulee vastaan heti kun aiot julkaista jotain: saatko käyttää tekoälykuvaa. Se käy läpi palveluiden käyttöehdot, kaupallisen käytön rajat ja ne riskit, joita kuvan alkuperästä seuraa.

Miksi oma tulos ei näytä esittelykuvilta

Palveluiden esittelysivut ja sosiaalisessa mediassa kiertävät esimerkit ovat valikoituja parhaita poimintoja. Niiden takana on usein kymmeniä hylättyjä yrityksiä, kehotteen hienosäätöä ja jälkikäsittelyä kuvankäsittelyohjelmassa. Kun vertaat omaa kolmatta yritystäsi jonkun toisen sadanteen, ero näyttää mallin ansiolta, vaikka se on enimmäkseen työn ansio.

Tästä seuraa käytännön nyrkkisääntö. Arvioi työkalu omalla tyypillisellä aineistollasi, älä esimerkkikuvilla, ja laske työhön mukaan myös hylätyt otokset. Tekoäly nopeuttaa kuvan ja äänen tekemistä eniten silloin kun tuloksen ei tarvitse olla tarkalleen ennalta päätetty. Jos kuvassa pitää olla juuri tietty tuote, tietty ihminen tai virheetön teksti, perinteinen tapa on yhä usein nopeampi.