Az alkotó megosztja tapasztalatait az Alibaba által fejlesztett HappyHorse 1.0 nevű text-to-video AI-modellről. Érdekfeszítő példákon keresztül vizsgálja, hogy a mesterséges intelligencia mennyit fejlődött az utóbbi években a mozgóképes tartalmak generálásában.
Felvetődik a kérdés: mennyire tud egy ilyen modell mozgási fizikát, karakteridentitást vagy folyamatos mozdulatokat visszaadni egy teljes jelenetben? Kiemeli, hogy a vizuális minőség látványos, de gyakran hiányzik a képkockák közti összhang, valamint a mozgatott tárgyak és szereplők folytonossága.
Izgalmas tesztek során előkerül a kulturális jelentések felismerése – például egy dél-indiai palotában játszódó tradicionális táncjelenetnél a modellnek nemcsak a ruházatot és a környezetet kell helyesen ábrázolnia, hanem az atmoszférát is vissza kell adnia. Továbbá egy ausztrál tengerparti jelenetben vizsgálja az AI szereplők mozgásának és a környezeti részleteknek a pontosságát.
A videó rávilágít az AI-modellek valós korlátaira a mindennapi használat közben, szemben a gyártók által előzetesen összeválogatott „demó” jelenetekkel. Emellett szó esik a modellek elérhetőségéről és különféle technikai részletekről is, mint például API-kulcsok használata vagy számítási erőforrások bérlése.
Összességében a tartalom kérdéseket vet fel a mesterséges intelligenciával generált videók jelenlegi minőségéről, valamint arról, hogyan birkóznak meg a modellek az összetett jelenetek jelentésével és mozgásával.
