Investigadores de Microsoft presentaron un innovador modelo de inteligencia artificial, VASA-1, capaz de tomar una imagen estática de un rostro y un fragmento de audio para crear un vídeo convincente de la persona que habla. Las primeras pruebas no se hicieron esperar y un mensaje comenzó a circular en las redes. Cantante de rap Mona Lisa. ¿Le hubiera gustado a Leonardo Da Vinci oírlo así?
VASA-1, fue desarrollado por Microsoft y para “jugar”. Sólo basta la imagen de una persona y una pista de audio, el resto está cantado. El equipo de investigación buscó animar imágenes fijas de conversaciones y cantos, utilizando cualquier pista de audio de respaldo proporcionada, y al mismo tiempo mostrar expresiones faciales creíbles, según el medio español La Razón.
En cada una de las animaciones, las expresiones faciales cambian junto con las palabras de una manera que enfatiza lo que se dice. Los investigadores también señalan que, a pesar de la naturaleza realista de los vídeos, una inspección más cercana puede revelar fallas y evidencia de que han sido generados artificialmente.
La efectividad del sistema quedó en evidencia cuando el video de Mona Lisa interpretando una canción de rap inmediatamente se volvió viral y al mismo tiempo generó opiniones encontradas en las redes sociales como todo avance tecnológico que sale a escena.
Detalles técnicos
El entrenamiento del modelo incluyó una amplia gama de vídeos faciales, lo que permitió a VASA-1 reconocer movimientos naturales como el parpadeo, la expresión facial y la mirada. Aunque los vídeos generados muestran realismo, todavía muestran signos de su origen artificial.
Microsoft destacó que su modelo supera a herramientas similares y sienta las bases para interactuar en tiempo real con avatares realistas, impulsando la conversación entre humanos y sistemas de inteligencia artificial.
Este avance tecnológico, aunque apasionante, plantea importantes cuestiones éticas y regulatorias que deben abordarse antes de su implementación generalizada.
