Gratis AI-værktøj gør billede og lyd til talende video

Meituan, en stor kinesisk techvirksomhed, har udgivet et nyt AI-værktøj kaldet LongCat-Video-Avatar 1.5. En AI er her et computerprogram, der er trænet til at genkende mønstre i data, og i dette tilfælde kan programmet tage et almindeligt foto af et ansigt og en lydfil med tale og lave en video, hvor personen på billedet ser ud til selv at sige ordene.

Værktøjet er lagt gratis ud på nettet under en åben licens, hvilket betyder, at både private og virksomheder frit må bruge og bygge videre på det, også kommercielt.

Den nye version er blevet bedre til at genkende tale og matche det med mundbevægelser, en teknik der ofte kaldes læbesynkronisering. Det sker ved hjælp af et andet og mere avanceret system til taleanalyse end tidligere. Samtidig er selve processen med at lave videoen gjort hurtigere, så den nu tager markant færre trin end før.

Værktøjet kan mere end at få én person til at tale. Det kan også håndtere flere personer i samme video, hver med deres eget lydspor, og der findes endda en funktion, hvor man kan lave en talende figur ud fra tekst alene, uden overhovedet at starte med et foto. Videoerne kan laves i to forskellige billedkvaliteter, og ifølge Meituan er tanken, at værktøjet kan bruges til for eksempel nyhedsoplæsning, reklamer, tegnefilm og samtaler mellem flere personer.

Sådan kan man komme i gang

Den nemmeste måde at afprøve værktøjet på er gennem en gratis demoside på nettet, hvor man kan teste det direkte i sin browser uden at installere noget som helst.

Vil man i stedet køre programmet selv på sin egen computer, kræver det en ret kraftig computer med et avanceret grafikkort, den type der normalt bruges til computerspil eller tunge beregninger. De officielle eksempler kører endda på to sådanne grafikkort samtidig, men der findes også en lettere udgave af programmet, som kræver mindre computerkraft.

For dem, der vil i gang tekniske, kræver det desuden, at man opsætter et programmeringsmiljø, installerer en række andre programmer og henter selve AI-modellen ned fra internettet. Herefter skal man bruge et klart foto af et ansigt og en lydfil med tale for at kunne lave sin egen video.

Meituan understreger selv, at brugere bør tænke sig om og overholde regler om databeskyttelse, før værktøjet bruges i følsomme sammenhænge. Det er en påmindelse værd: Når teknologi kan få billeder af rigtige mennesker til at tale, er det vigtigt kun at bruge den med samtykke fra den person, der er på billedet.