Pesquisadores da Microsoft Research Lab, sediada em Pequim, China, revelaram o VASA-1, um avançado modelo de inteligência artificial (IA) que pode criar vídeos realistas em tempo real de rostos humanos a partir de uma única foto e um clipe de áudio. Os vídeos resultantes apresentam movimentos, expressões faciais e sincronização labial tão convincentes que podem facilmente enganar até mesmo um espectador atento.
Além de animar rostos humanos, a tecnologia também pode dar vida a imagens artísticas, como personagens fictícios e obras de arte, e até mesmo gerar falas em diversos idiomas, incluindo cantos. Para criar a fala, basta fornecer um clipe de áudio da voz desejada, que pode ser do indivíduo na foto ou de outra fonte.
O VASA-1 oferece aos usuários um controle preciso sobre as expressões faciais, direção do olhar, inclinação da cabeça, ângulo da câmera e outros ajustes detalhados. Todas essas manipulações podem ser feitas em tempo real, semelhante à interface de criação de personagens em um videogame. Os vídeos produzidos têm uma resolução de 512×512 pixels e uma taxa de quadros de até 40 por segundo.
Uma demonstração interativa da ferramenta está disponível no site da Microsoft, proporcionando uma visão prática de seu funcionamento.
Conscientes dos possíveis riscos associados à tecnologia, os pesquisadores responsáveis pelo VASA-1 afirmam que só irão comercializar o produto quando tiverem certeza de que será utilizado de forma responsável e em conformidade com as regulamentações adequadas.
Eles também destacam os possíveis usos positivos da tecnologia, como a melhoria da equidade educacional, a ampliação da acessibilidade para pessoas com dificuldades de comunicação e a oferta de companhia ou apoio terapêutico para aqueles que necessitam.
