Google เปิดตัวโมเดลโลก AI สร้างเสียงมนุษย์

วงการปัญญาประดิษฐ์กำลังเดินหน้าไปอีกขั้น เมื่อ Google DeepMind เปิดตัว Google เปิดตัวโมเดลโลก AI สร้างเสียงมนุษย์ ซึ่งเป็นโมเดลจำลองโลกยุคใหม่ที่ไม่ได้สร้างเพียงวิดีโอเท่านั้น แต่ยังสามารถสร้างเสียงประกอบและเสียงพูดของมนุษย์ให้สอดคล้องกับเหตุการณ์ในฉากได้ด้วย โมเดลดังกล่าวมีชื่อว่า Genie 4 และเปิดให้กลุ่มผู้ทดสอบบางส่วนใช้งานในรูปแบบงานวิจัยเบื้องต้น

จุดเด่นของ Genie 4 คือการสร้างวิดีโอที่ดูสมจริง ผู้ใช้สามารถปรับเปลี่ยนฉากแบบเรียลไทม์ด้วยคำสั่งภาษาธรรมชาติ ไม่ว่าจะเป็นการเปลี่ยนมุมกล้อง เพิ่มตัวละคร ปรับสภาพแสง หรือสั่งให้วัตถุในฉากเคลื่อนไหวตามต้องการ เทคโนโลยีนี้ทำให้การสร้างโลกเสมือนมีความยืดหยุ่นมากขึ้น และอาจเปลี่ยนวิธีทำงานของนักพัฒนาเกม ผู้ผลิตภาพยนตร์ และครีเอเตอร์ออนไลน์ในอนาคต

Google เปิดตัวโมเดลโลก AI สร้างเสียงมนุษย์

เมื่อเทียบกับ Genie 3 รุ่นก่อนหน้า Genie 4 สามารถสร้างเสียงอัตโนมัติตามสภาพแวดล้อมของวิดีโอได้ เช่น เสียงลมพัดผ่านต้นไม้ เสียงคลื่นกระทบชายหาด เสียงฝีเท้า หรือเสียงสิ่งของเคลื่อนที่ในฉาก เสียงเหล่านี้ไม่ได้ถูกเพิ่มแบบแยกส่วนเท่านั้น แต่ระบบพยายามทำให้เสียงมีความสัมพันธ์กับสิ่งที่เกิดขึ้นในภาพ ซึ่งช่วยให้โลกจำลองมีบรรยากาศและความสมจริงมากยิ่งขึ้น

อีกความสามารถที่น่าสนใจคือการจำลองมนุษย์ ตัวละครที่สร้างจาก Genie 4 สามารถเคลื่อนไหว แสดงสีหน้า และตอบสนองต่อสภาพแวดล้อมได้เป็นธรรมชาติกว่าเดิม ตัวละครยังสามารถพูดคุยกันและตอบสนองต่อเหตุการณ์ที่เกิดขึ้นในวิดีโอได้ ผู้ใช้จึงอาจสร้างฉากสนทนา หรือออกแบบเรื่องราวแบบโต้ตอบได้โดยใช้เพียงคำสั่งข้อความ

Google เปิดตัวโมเดลโลก AI สร้างเสียงมนุษย์เพื่อโลกจำลองที่สมจริงขึ้น

แนวคิดเรื่องโมเดลโลก หรือ World Model กำลังได้รับความสนใจจากบริษัท AI ชั้นนำ เพราะโมเดลประเภทนี้ไม่ได้มุ่งเน้นแค่การเรียบเรียงภาษาเท่านั้น แต่ต้องเรียนรู้ความสัมพันธ์ระหว่างวัตถุ การเคลื่อนไหว เวลา แสง เสียง และกฎทางกายภาพ โมเดลจึงต้องเข้าใจว่าโลกทำงานอย่างไร และคาดการณ์ได้ว่าอะไรจะเกิดขึ้นเมื่อมีการเปลี่ยนแปลงในฉาก

ในกรณีของ Genie 4 ระบบสามารถจำลองฉากที่ตอบสนองต่อมุมกล้อง แสง และการเคลื่อนที่ได้แบบไดนามิก หากผู้ใช้เปลี่ยนมุมมอง ภาพที่ปรากฏควรมีความต่อเนื่องมากขึ้น ไม่ใช่การสร้างภาพใหม่ที่ขัดแย้งกับฉากเดิม ความสามารถนี้เป็นพื้นฐานสำคัญสำหรับการพัฒนาเกมเสมือนจริง การฝึกอบรมด้วยสถานการณ์จำลอง และประสบการณ์ดิจิทัลที่ผู้ใช้มีส่วนร่วมโดยตรง

ความสามารถสำคัญของ Genie 4

• สร้างวิดีโอสมจริง: ระบบสร้างฉากที่มีรายละเอียดสูงและสามารถปรับแต่งผ่านคำสั่งภาษาธรรมชาติ
• สร้างเสียงตามภาพ: เสียงบรรยากาศและเสียงเหตุการณ์ต่าง ๆ จะถูกสร้างให้สอดคล้องกับสิ่งที่เกิดขึ้นในฉาก
• จำลองมนุษย์ได้ดีขึ้น: การเคลื่อนไหว สีหน้า และท่าทางของตัวละครดูเป็นธรรมชาติกว่าโมเดลรุ่นก่อน
• สนทนาแบบโต้ตอบ: ตัวละคร AI สามารถพูดคุยและตอบสนองต่อเหตุการณ์ในวิดีโอ
• จำลองฟิสิกส์ของโลก: ฉากสามารถตอบสนองต่อการเปลี่ยนแปลงของกล้อง แสง และสภาพแวดล้อม
• รองรับการสร้างต้นแบบเกม: นักพัฒนาเกมสามารถใช้คำสั่งข้อความเพื่อทดลองไอเดียและสร้างต้นแบบได้รวดเร็ว

แม้ความสามารถจะดูน่าตื่นเต้น แต่ Genie 4 ยังอยู่ในช่วงเริ่มต้น Google ระบุว่าโมเดลอาจมีปัญหาในการรักษาความต่อเนื่องของภาพและความถูกต้องของเสียง โดยเฉพาะเมื่อสร้างวิดีโอที่ยาวหรือมีรายละเอียดซับซ้อนมากขึ้น ตัวละครบางครั้งอาจมีท่าทางผิดธรรมชาติ ขณะที่เสียงพูดอาจไม่ตรงกับการเคลื่อนไหวของปากหรือบริบทของเหตุการณ์

ด้านความปลอดภัย Google ระบุว่า Genie 4 จะเปิดใช้งานภายใต้ข้อจำกัดที่เข้มงวด และผ่านการประเมินเพื่อป้องกันการสร้างเนื้อหาที่เป็นอันตรายหรือมีเจตนาร้าย วิดีโอและเสียงที่สร้างด้วยระบบจะติดแท็ก SynthID ซึ่งเป็นลายน้ำดิจิทัลแบบมองไม่เห็นของ Google เพื่อช่วยระบุแหล่งที่มาของเนื้อหาที่สร้างโดย AI

ในช่วงแรก Google จะจำกัดการเข้าถึง Genie 4 ให้เฉพาะกลุ่มพันธมิตรทดสอบ เช่น นักพัฒนาเกมและนักวิจัย บริษัทต้องการรวบรวมความคิดเห็น ตรวจสอบปัญหาการใช้งาน และปรับปรุงมาตรการด้านความปลอดภัยก่อนขยายบริการไปยังผู้ใช้ทั่วไป โดยมีแผนเริ่มต้นที่สมาชิก Google AI Ultra แต่ยังไม่มีการประกาศวันที่เปิดตัวอย่างเป็นทางการ

สำหรับอุตสาหกรรมเกม เทคโนโลยีนี้อาจช่วยลดเวลาในการสร้างต้นแบบ นักพัฒนาสามารถอธิบายแนวคิดด้วยภาษาธรรมดา แล้วให้ AI สร้างฉาก ตัวละคร และบรรยากาศเพื่อทดสอบได้ทันที แนวทางดังกล่าวอาจทำให้คนที่ไม่มีทักษะด้านการเขียนโค้ดสามารถสร้างประสบการณ์แบบโต้ตอบได้มากขึ้น อย่างไรก็ตาม งานด้านการออกแบบเกม การควบคุมคุณภาพ และการกำหนดทิศทางสร้างสรรค์ยังคงต้องอาศัยมนุษย์

Google เปิดตัวโมเดลโลก AI สร้างเสียงมนุษย์ จึงถือเป็นสัญญาณสำคัญว่า AI กำลังก้าวจากการสร้างข้อความและภาพนิ่งไปสู่การจำลองโลกที่มีทั้งภาพ เสียง การเคลื่อนไหว และปฏิสัมพันธ์ในระบบเดียว หาก Google สามารถแก้ปัญหาความต่อเนื่องและความแม่นยำได้ เทคโนโลยีนี้อาจกลายเป็นเครื่องมือสำคัญของวงการเกม ภาพยนตร์ การศึกษา และการฝึกอบรม แต่ผู้ใช้ควรตรวจสอบที่มาของสื่อและคำนึงถึงความรับผิดชอบในการใช้งานทุกครั้ง

ในมุมมองของผู้เขียน Genie 4 เป็นเทคโนโลยีที่น่าจับตา เพราะแสดงให้เห็นว่าโลกจำลองในอนาคตอาจไม่ได้เป็นเพียงวิดีโอที่รับชมแบบทางเดียว แต่เป็นพื้นที่ที่ผู้ใช้สามารถพูดคุย เปลี่ยนแปลง และมีปฏิสัมพันธ์ได้จริง การพัฒนาต่อจากนี้จะเป็นตัวชี้วัดว่า AI สามารถสร้างประสบการณ์ที่สมจริงและปลอดภัยสำหรับคนทั่วไปได้มากเพียงใด

ที่มา – Google’s New AI World Model Can Generate Human Voices, Not Just Video