Хорошее фейковое видео

Откройте любую ленту сегодня — и вы найдёте лицо, произносящее то, чего оно никогда не говорило. Политик, знаменитость, случайный прохожий — вставленные в сцену, которой не было, шевелящие губами под слова, которые они не произносили. За каких-то пару лет видео с подменой лиц прошло путь от лабораторной диковинки до фонового шума, и чаще всего оно нацелено на вас: чтобы продать, очернить, обмануть, заставить вас усомниться в том, что вы вообще видите.

В Annoying-Is-Caring мы строим ровно ту же технологию. Мы используем её, чтобы сделать дедушку героем боевика. Намеренно. И, без лишнего шума, чтобы научить машину чему-то глубоко человеческому.

Тот же инструмент, противоположный замысел

Вот неудобная правда про подмену лиц: сама технология нейтральна. Пикселям всё равно, подделывают ли они признание или ставят лицо вашего отца на замедленный кадр, где герой уходит от взрыва не оборачиваясь. Разницу создаёт не программа — а замысел, согласие и мастерство.

У нас всё три — осознанно:

Замысел

Заставить улыбнуться одного конкретного человека, которого вы любите, — а не обвести вокруг пальца толпу.

Согласие

Видео создаёте вы, для своего человека, из фотографий, которые принадлежат вам, и делитесь ими лично с тем, кто их ждёт. Ничьё лицо не транслируется, чтобы обмануть незнакомца.

Мастерство

И вот на этой части стоит задержаться, потому что именно здесь жуткое и восхитительное расходятся в разные стороны.

Как научить машину быть смешной

Люди думают, что компания по производству шуток — это тонкая обёртка вокруг большой AI-модели. Это не так. Юмор — одна из по-настоящему сложных, нерешённых задач искусственного интеллекта, и, как выяснилось, он ещё и прекрасный учитель.

Модель может весь день напролёт писать грамматически безупречные предложения. Но заставить её написать такое, от которого конкретный 78-летний человек в конкретном городке хмыкнет за завтраком, — это совершенно другой вид спорта. Тут нужны тайминг, неожиданность, лаконичность и маленькая личная деталь, которая говорит: это написано именно для тебя. Поэтому мы не берём первый черновик: система прослушивает несколько версий каждой шутки и позволяет AI-судье выбрать ту, что бьёт точнее всего. А в видео рассказчик даже осваивает старейший приём стендапа — паузу прямо перед кульминацией.

Комедия с подменой лиц — это место, где всё это обретает почву под ногами. Шутка абстрактна, пока она не окажется на лице, которое вы узнаёте, в сцене, абсурдной именно потому, что там они. Чтобы сделать это хорошо, моделям приходится понимать не просто «смешно ли это?», а «смешно ли это про этого человека?» — вопрос куда более богатый, куда более сложный и куда более ценный урок.

Как поставить нужное лицо нужному человеку

Что подводит нас к той неромантичной инженерии, которая на самом деле съедает наше время, — и к самой чёткой границе между вредоносным дипфейком и радостным.

Подмена лица может выглядеть безупречно — чётко, гладко, правдоподобно — и всё равно быть полностью неправильной, потому что она поставила нужное лицо не тому человеку. В ролике с одним человеком такого не бывает. Но направьте её на реальную сцену — двое танцующих, обеденный стол, кинокадр с монтажной склейкой посередине — и вдруг вся суть игры сводится к личности.

Нашим самым наглядным учителем стал ролик с двумя танцорами. Кадр за кадром он выглядел отлично. И сразу после монтажной склейки он налепил оба лица на голову одного танцора — один человек с двумя личностями, дерущимися за один череп. Красивый кадр, который полностью ошибался в том, кто есть кто. Цифра на графике на это лишь пожмёт плечами; человек отшатывается мгновенно, потому что все мы изысканно настроены узнавать тех, кого любим.

Исправить это — и есть работа: мы режем видео на каждой смене сцены и решаем, кто есть кто внутри каждого кадра; мы оставляем только одно, самое надёжное распознавание на голову, чтобы крупный план не заработал две личности; мы прогоняем дешёвые, почти мгновенные проверки, отсеивающие очевидно неправильные подмены, которые чистая оценка «качества» с радостью пропустила бы; и мы моделируем лицо десятками тысяч точек, чтобы личность пережила поворот головы, а не растеклась в кого-то другого.

Мы одержимы этим ради мягкой причины с жёстким последствием: подарок работает только тогда, когда человек на экране безошибочно узнаваем как тот, кого любят. Ошибитесь с личностью — и у вас не смешное видео, а жуткое, и вся теплота уходит. А сделать это правильно — ровно та дисциплина, что отделяет инструмент, созданный радовать, от того, что создан обманывать.

Будущее, которого мы действительно хотим

Фейковое видео обратно в коробку не спрячешь. Интересный вопрос никогда не был «можем ли мы это остановить?» — он звучит так: «на что мы это направим?» Можно нацелить эту технологию на разрушение доверия, по одной убедительной лжи за раз. А можно направить те же самые пиксели на тридцатисекундный сюрприз, от которого кто-то в голос рассмеётся, глядя в телефон, и напишет в ответ: «ПРИШЛИ МНЕ ЭТО ЕЩЁ РАЗ». В одном из этих вариантов будущего нам хотелось бы жить. И что самое чудесное — построить радостную версию хорошо (с согласием, с заботой, с нужным лицом на нужном человеке) — это и есть то, как мы учим машины делать нечто, что пока не улавливает ни один бенчмарк: быть смешными, про кого-то, намеренно.

Тот же инструмент. Противоположный замысел. В этом вся компания.