Здравствуйте, vdimas, Вы писали:
V>Никому оказалась не нужна механическая речь.
Ну так речь же о временах, когда качество воссоздания будет достаточным — чтобы не было признака механичности. Чтобы и ударение и интонация...
S>>А ведь с развитием качество будет лучше и лучше, возможно что каждое видео можно будет сжать до достаточно подробного словесного описания каждой из сцен? V>Точное описание не будет меньше закодированных алгоритмами сжатия пикселей. ))
Здравствуйте, Marty, Вы писали:
S>>Ну и пусть 1001 экранизация — так даже интереснее. M>Только каждый будем смотреть свой фильм. И, весьма вероятно, что второй раз тот же человек будет смотреть уже другой фильм
И что? Когда в театр ходишь — там же актеры не пиксель в пиксель все воссоздают, верно? И что? Кого это беспокоит?
Здравствуйте, Shmj, Вы писали:
S>А вот сейчас появился ИИ, который по словесному поносу может генерить видео. Плохо, но генерит. А ведь с развитием качество будет лучше и лучше, возможно что каждое видео можно будет сжать до достаточно подробного словесного описания каждой из сцен? Или спец. язык придется придумывать? Смогут ли?
А ты представляешь сколько памяти будет занимать такой кодек? И каждая новая версия — это петабайтные апдейты. Просто для сведения. Сами модели — фигня, все очень просто. А вот коэффициенты уже обученных моделей, даже на не очень сложных моделях — зачастую гигабайты! Тот же дипсик, работающий с текстом — в полной версии ни хрена не влезет в 5090, там ЕМНИП более 100 гигов требуется. А это текстовая модель, самая простая! Ну в принципе с музыкой тоже не сложно. Сколько там требуется для моделей, генерящих видео достаточно качественно — страшно представить!
Здравствуйте, elmal, Вы писали:
E>А ты представляешь сколько памяти будет занимать такой кодек? И каждая новая версия — это петабайтные апдейты. Просто для сведения. Сами модели — фигня, все очень просто. А вот коэффициенты уже обученных моделей, даже на не очень сложных моделях — зачастую гигабайты! Тот же дипсик, работающий с текстом — в полной версии ни хрена не влезет в 5090, там ЕМНИП более 100 гигов требуется. А это текстовая модель, самая простая! Ну в принципе с музыкой тоже не сложно. Сколько там требуется для моделей, генерящих видео достаточно качественно — страшно представить!
Так я же не говорю что прямо завтра сделают. Сейчас с каждым годом память все дешевле, процессоры все мощнее. Вот и будет для чего использовать эти мощности.
Здравствуйте, Shmj, Вы писали:
S>Тогда трафик сократится в тысячи раз.
Если представить себе твою идею в своей сути, то у тебя предпологается что есть на приемной стороне все возможные видео на свете, и надо только передать номер этого видео чтобы его проиграть.
Если сделать оптимизацию и выкинуть все невозможные видео, коих будет 99.99%, в виде разнообразного белого шума, то на фоне бесконечности всех видео, таких видео будет бесконечное существенно меньшего порядка.
Если сделать еще одну оптимизацию и хранить только диф соседних видео, то базовых видео будет еще более меньшего порядка бесконченое число.
Если научить иерархическую слоистую структуру коей и является нейросеть, классторизировать такие видео, и по некому GUID длинной скажем 4096 байт, востанавливать видео в виде подходящем для воспроизведения, то наверное такая "архиватор" будет работать.
Но на приемной стороне потребуется бесконечный сторадж содержащий в себе все все возможные видео.
Возникает вопрос а зачем такой геморой — не проще ли передать видео?
Короче типичная "отличная идея" в которой небыло сделанно никакой оценки, и поэтому кажеться все так классно.)
Здравствуйте, imh0, Вы писали:
I>Если представить себе твою идею в своей сути, то у тебя предпологается что есть на приемной стороне все возможные видео на свете, и надо только передать номер этого видео чтобы его проиграть.
Там не нужно прямо все видео на свете — достаточно всех предметов на свете + умения их комбинировать, примерно так. К примеру лицо человека определяется 50 точками, емнип (или около того) + несколько бит для прически и пр.
Но можно и для ключевых кадров дать байты изображения (как в JPG), чтобы потом нейросеть на основе этих ключевых кадров додумывало.
Здравствуйте, Shmj, Вы писали:
S>К примеру лицо человека определяется 50 точками, емнип (или около того)
И близко нет. Точки — это для выравнивания лица. Потом дескриптор для идентификации. Если продолжать аналогию, то для человека достаточно его паспорта, который позволяет однозначно его идентифицировать. Я правильно понимаю, что тонкость игры актеров не нужна: хватит базового лица и умения морфить по текстовому описанию эмоций?
Здравствуйте, Shmj, Вы писали:
S>>>Ну и пусть 1001 экранизация — так даже интереснее. M>>Только каждый будем смотреть свой фильм. И, весьма вероятно, что второй раз тот же человек будет смотреть уже другой фильм
S>И что? Когда в театр ходишь — там же актеры не пиксель в пиксель все воссоздают, верно? И что? Кого это беспокоит?
Да дофига людей, как только появилась возможность смотреть кинофильмы, перестали ходить в театры. В том числе из-за отличающихся "деталей" при повторных просмотрах. А многие и не начинали ходить, из за отличий от их представлений.
N>И близко нет. Точки — это для выравнивания лица. Потом дескриптор для идентификации. Если продолжать аналогию, то для человека достаточно его паспорта, который позволяет однозначно его идентифицировать. Я правильно понимаю, что тонкость игры актеров не нужна: хватит базового лица и умения морфить по текстовому описанию эмоций?
Это больше к "аниме" относится. В современных телесериалах морфинг не обязательная опция удорожающая актера. эмоции персонажа передаются словами "я боюсь" "я рад" "я зол" "ты испугал меня" и т.д
Здравствуйте, Shmj, Вы писали:
S>Так я же не говорю что прямо завтра сделают. Сейчас с каждым годом память все дешевле, процессоры все мощнее. Вот и будет для чего использовать эти мощности.
И для каждой такой установки миниАЭС, потому как мощность потребляемая тоже растёт.
Здравствуйте, Shmj, Вы писали:
S>Там же будет детальное описание каждой из сцен: откуда падает свет, оттенки и т.д. И скорее всего не на человеческом языке уже а на спец. языке, который только для ИИ.
А зачем нужен спец. яхык? Помнится, кое-кто утверждал, что ИИ знает все языки мира. Запомнить любой словарь — как два байта переслать. Широта охвата.
Здравствуйте, Shmj, Вы писали:
V>>Никому оказалась не нужна механическая речь. S>Ну так речь же о временах, когда качество воссоздания будет достаточным — чтобы не было признака механичности. Чтобы и ударение и интонация...
Ты ж любишь спрашивать у ИИ, вот спросил бы "Какой объем параметров для описания голоса конкретного артиста у современных музыкальных ИИ, которые делают кавер песни разными голосами?" ))
Короткий ответ: размер файла с параметрами голоса конкретного артиста обычно составляет от 40 до 200 мегабайт (МБ)
В общем, даже при ранних попытках описать особенности голоса для управления фонемами, быстро превзошли исходный сжатый речевой трафик, ради улучшения которого всё и затевалось.
А если описывать голос качественно, чтобы можно было узнать голос человека после такого кодирования-декодирования — то вот тебе прикидочные цифры.
V>>Точное описание не будет меньше закодированных алгоритмами сжатия пикселей. )) S>Тут я бы поспорил...
Угу...
Ну вот опиши словами несколько пусть даже периодических узоров на народном платье, надетом на одного из персонажей киношки.
С указанием точного цвета, особенностей материалов и т.д.
В общем, современные алгоритмы motion detection всё еще развиваются и именно они дают хороший буст сжатию видео при сохранении качества.
Фишка в том, что этот алгоритм выделяет движущиеся объекты (области изображения) и превращает движущиеся эти области почти в статические, т.е. где разница содержимого областей м/у кадрами минимальна, в итоге эта разница сжимается на порядки.
Кстате, коль обычно при студийном сжатии ресурсы кодека не ограничены, то ИИ мог бы помочь лучше выделять движущиеся объекты на изображении.
Это выглядит более перспективно и технически реализуемо уже прямо сейчас.
А вот для upscaling в дорогих телеках применяют ИИ уже относительно давно.
Правда, в этой области (а) идёт быстрое устаревание разработок прошлых лет и (б) вангую, что эта функциональность на нашей памяти переползёт прямо в стандарты, типа как когда-то в стандарты звука переползли алгоритмы управления динамическим диапазоном из семейства Dolby. ))
(Поначалу алгоритмы семейства Dolby были примерно на тех же правах, как частные решения "по месту" в современных дорогих телеках некоторых производителей)
Здравствуйте, vdimas, Вы писали:
V>Угу... V>Ну вот опиши словами несколько пусть даже периодических узоров на народном платье, надетом на одного из персонажей киношки. V>С указанием точного цвета, особенностей материалов и т.д.
Можно для ключевых сцен делать 1 фото, а уже ИИ пусть на основе фото додумывает
Здравствуйте, Shmj, Вы писали:
S>Так я же не говорю что прямо завтра сделают. Сейчас с каждым годом память все дешевле, процессоры все мощнее. Вот и будет для чего использовать эти мощности.
Как кодек — без шансов. Ибо у нейросеток проблема — на 1 запрос выдают разные значения. При этом начнешь дообучать, делаешь какой то патчик — вообще все меняется. Будет условно говоря фильм, который постоянно будет смотреться по другому .
Для генерации же контента и фильмов предполагаю что рано или поздно будут активно использовать. Но — высокооплачиваемые актеры, а также владельцы авторских прав, на которых нейросетки обучались — они будут всячески будут вставлять палки в колеса, чтоб не терять сверхдоходы. И так как такие товарищи очень богатые и влиятельные, будут очень сильно вставлять палки в колеса. Возможно устраивающий их компромисс — это когда какой актер будет получать гонорар как сейчас, тупо за внешку, но вообще ничего делать не будет — это возможно как компромисс устроит.
Здравствуйте, elmal, Вы писали:
S>>Так я же не говорю что прямо завтра сделают. Сейчас с каждым годом память все дешевле, процессоры все мощнее. Вот и будет для чего использовать эти мощности. E>Как кодек — без шансов. Ибо у нейросеток проблема — на 1 запрос выдают разные значения. При этом начнешь дообучать, делаешь какой то патчик — вообще все меняется. Будет условно говоря фильм, который постоянно будет смотреться по другому .
Я уже писал — норм. В театре тоже так — не пиксел в пиксел. Это надуманная концепция что должно быть пиксел в пиксел — наоборот, каждый раз смотришь и все немножко иначе — так даже интереснее.
Здравствуйте, Shmj, Вы писали:
S>Тогда трафик сократится в тысячи раз.
Смотреть видео глазами — прошлый век.
Зрители подключаются к нейроинтерфейсу, через который ИИ им сообщает, что они только что посмотрели офигенный фильм.
Огромная экономия ресурсов.
Здравствуйте, alexsmirnoff, Вы писали:
A>Смотреть видео глазами — прошлый век. A>Зрители подключаются к нейроинтерфейсу, через который ИИ им сообщает, что они только что посмотрели офигенный фильм. A>Огромная экономия ресурсов.
Ну вы будете делать операцию по имплантации интерфейса?
Здравствуйте, Shmj, Вы писали:
S>Я уже писал — норм. В театре тоже так — не пиксел в пиксел. Это надуманная концепция что должно быть пиксел в пиксел — наоборот, каждый раз смотришь и все немножко иначе — так даже интереснее.
Театр не нужен практически никому. Постоянно туда ходят только маргиналыредкие ценители этого вида искусства
