Il buon tipo di video finto

Apri un qualsiasi feed oggi e troverai un volto che dice qualcosa che non ha mai detto. Un politico, una celebrità, uno sconosciuto — piazzato dentro una scena che non è mai avvenuta, mentre muove le labbra su parole che non ha mai pronunciato. Nel giro di un paio d'anni, il video con lo scambio di volti è passato da curiosità da laboratorio a rumore di fondo, e la maggior parte delle volte è puntato contro di te: per venderti qualcosa, per infangare, per truffare, per farti dubitare di ciò che stai persino guardando.

Da Annoying-Is-Caring, costruiamo esattamente la stessa tecnologia. La usiamo per rendere il nonno l'eroe di un film d'azione. Di proposito. E, in silenzio, per insegnare a una macchina qualcosa di profondamente umano.

Stesso strumento, intento opposto

Ecco la verità scomoda sul face-swap: la tecnologia in sé è neutra. I pixel non sanno se stanno falsificando una confessione o mettendo il volto di tuo padre su un'inquadratura al rallentatore dell'eroe che si allontana dall'esplosione. Ciò che distingue i due casi non è il software — è l'intento, il consenso e la cura artigianale.

Il nostro è deliberato su tutti e tre i fronti:

Intento

Far sorridere una persona specifica che ami — non ingannare una folla.

Consenso

I video sono creati da te, per la tua persona, a partire da foto che possiedi, condivisi privatamente con qualcuno che se li aspetta. Il volto di nessuno viene trasmesso per ingannare uno sconosciuto.

Cura artigianale

Ed è la parte su cui vale la pena soffermarsi, perché è qui che inquietante e delizioso prendono davvero strade diverse.

Insegnare a una macchina a far ridere

La gente dà per scontato che un'azienda di battute sia un sottile involucro attorno a un grande modello di IA. Non è così. La comicità è uno dei problemi genuinamente difficili e irrisolti dell'intelligenza artificiale — e si rivela un'insegnante meravigliosa.

Un modello può scrivere una frase grammaticalmente perfetta tutto il giorno. Farlo scrivere una frase che faccia sorridere a colazione una particolare persona di 78 anni in una particolare cittadina è uno sport completamente diverso. Servono tempismo, sorpresa, brevità e un piccolo dettaglio personale che dica questa è stata scritta per te. Perciò non ci accontentiamo della prima stesura: il sistema mette all'audizione diverse versioni di ogni battuta e lascia che un giudice IA scelga quella che colpisce più forte. Nei video, il narratore impara persino il trucco più antico della stand-up comedy — la pausa, proprio prima della battuta finale.

La comicità del face-swap è dove tutto questo prende corpo. Una battuta è astratta finché non è su un volto che riconosci, in una scena che è assurda proprio perché sei tu. Costruirla bene costringe i modelli a capire non solo “fa ridere?” ma “fa ridere a proposito di questa persona?” — una domanda molto più ricca, molto più difficile, e una lezione molto migliore.

Mettere il volto giusto sulla persona giusta

Il che ci porta all'ingegneria poco glamour che ci mangia davvero il tempo — e alla linea più netta tra un deepfake malevolo e uno gioioso.

Uno scambio di volti può sembrare impeccabile — nitido, fluido, credibile — ed essere comunque completamente sbagliato, perché ha messo il volto giusto sulla persona sbagliata. In una clip di una sola persona questo non succede mai. Ma puntalo su una scena reale — due persone che ballano, un tavolo da pranzo, un momento cinematografico con un taglio a metà — e all'improvviso l'identità è tutto il gioco.

La nostra insegnante più chiara è stata una clip con due ballerini. Fotogramma per fotogramma sembrava perfetta. E subito dopo un cambio di scena, ha scambiato entrambi i volti sulla testa di un solo ballerino — una persona che indossava due identità, in lotta per lo stesso cranio. Un fotogramma splendido che si sbagliava completamente su chi fosse chi. Un numero su un grafico si stringe nelle spalle di fronte a questo; un essere umano si ritrae all'istante, perché siamo tutti finemente sintonizzati per riconoscere le persone che amiamo.

Sistemarlo è il lavoro: tagliamo il video a ogni cambio di scena e decidiamo chi è chi all'interno di ogni inquadratura; teniamo solo la singola migliore rilevazione per ogni testa, così un primo piano non si guadagna due identità; eseguiamo controlli economici e quasi istantanei che bocciano scambi palesemente sbagliati che un puro punteggio di “qualità” lascerebbe passare senza battere ciglio; e modelliamo il volto con decine di migliaia di punti, così un'identità sopravvive a una rotazione della testa invece di sciogliersi in quella di qualcun altro.

Ci ossessioniamo su questo per una ragione tenera con una conseguenza dura: il regalo funziona solo se la persona sullo schermo è inequivocabilmente la persona che amano. Sbaglia l'identità e non hai un video divertente — ne hai uno inquietante, e il calore svanisce. Farla giusta è esattamente la disciplina che separa uno strumento costruito per deliziare da uno costruito per ingannare.

Il futuro che vogliamo davvero

Il video finto non torna più nella scatola. La domanda interessante non è mai stata “possiamo fermarlo?” — è “verso cosa lo puntiamo?” Puoi puntare questa tecnologia verso l'erosione della fiducia, una bugia convincente alla volta. Oppure puoi puntare quegli stessissimi pixel verso una sorpresa di trenta secondi che fa ridere qualcuno di gusto davanti al telefono e lo fa rispondere “MANDAMELO ANCORA.” In uno di questi futuri vorremmo vivere. E la parte meravigliosa è che costruire bene la versione gioiosa — con il consenso, con la cura, con il volto giusto sulla persona giusta — è anche il modo in cui stiamo insegnando alle macchine a fare qualcosa che nessun benchmark cattura ancora del tutto: far ridere, a proposito di qualcuno, di proposito.

Stesso strumento. Intento opposto. È tutta qui l'azienda.