tekoäly
Aika ei ole vain kellossa: uusi tutkimus väittää, että videon tempo on opittava ja myös hallittava ulottuvuus – ja sillä voi olla seurauksia hidastuskuvauksesta muokkausten tunnistamiseen. Katsot uutissivun lyhyttä klippiä, jossa bussi liukuu jarruttaen risteykseen. Jokin siinä tuntuu väärältä. Kulku on liian sulavaa, jarruvalojen välähdykset venyvät, ääni laahaa. Ihmissilmä huomaa usein
tekoäly
Olet kuvannut perhejuhlan. Pyydät videota muokkaavaa tekoälyä vaihtamaan harmaan taivaan iltaruskoon. Tulos näyttää häkellyttävän aidolta – kunnes huomaat, että taivas on kyllä hehkuva, mutta myös morsiamen mekon väri on vahingossa muuttunut. Onko muokkaus hyvä vai huono? Videon laatua on totuttu arvioimaan sillä, miltä se näyttää. Tekoälyn tekemissä muokkauksissa pelkkä ulkonäkö ei
tekoäly
Kun koira juoksee sohvan taa ja ilmestyy hetken päästä toiselta puolelta, mieli täyttää aukon vaivatta: sama koira jatkaa liikettään. Ihmiselle se on itsestäänselvää, mutta tekoälyn tuottamissa videoissa tällainen arkinen katve on ollut yllättävän vaikea pala. Hahmo katoaa, jähmettyy tai palaa ruutuun väärän värisenä – joskus jopa kokonaan uutena olentona. Tätä on
tekoäly
Kun muki kaatuu pöydällä, jokainen arvaa mitä seuraavaksi tapahtuu: pöytä kastuu. Jos pallo vierii laatikon taakse, se ei katoa, vaan ilmestyy toiseltä puolelta. Tällainen jatkuvuuden ja syy–seurausten hahmottaminen on ihmiselle itsestäänselvää. Koneelle se ei ole. Viime vuosien näyttävimmät tekoälytemput ovat olleet silmänruokaa: mallit piirtävät kuvia ja tuottavat videoita, joita
tekoäly
Oletko koskaan yrittänyt kelata pitkää videota löytääksesi juuri sen kohdan, jossa kokki lisää valkosipulin pannulle? Tai pyytänyt tekoälyä tekemään lyhyen klipin, jossa punainen pallo vierii portaita alas – ja saanut lopputuloksen, jossa pallo kyllä on punainen, mutta liike on väärä? Tekoälylle video on ollut vaikea kieli: paljon pikseleitä, vähän ymmärrystä. Vuosia
tekoäly
Valmiiksi opetetun videomallin hienosäätö näyttää riittävän ohjaamaan robotteja ja suunnittelemaan eteenpäin – vähemmällä rakentelulla kuin ennen ajateltiin. Keittiössä seisova robottikäsivarsi on yllättävän hyvä vastustaja. Kun se tarttuu tiskirättiin ja kiertää hanan, liikesarja näyttää sujuvan kuin etukäteen harjoiteltu tanssi. Silti joku – tai jokin – ohjaa jokaista pientä liikettä ja ennakoi, mitä tapahtuu seuraavaksi.
tekoäly
Uusi vertailutesti paljastaa, ettei nykyinen videotekniikka vielä opeta roboteille arjen syy–seuraussuhteita. Tutkijat ehdottavat ratkaisuksi sekä yhteisiä mittareita että valtavaa, tarkasti merkattua opetusvideokokoelmaa. Keittiössä robottikäsivarsi kurottaa mukia kohti. Videolla ote onnistuu ja muki siirtyy lautasen viereen – kunnes hetkessä kahva onkin vaihtanut puolta ja muki liukuu pöydän läpi. Silmä on hetken
AI
Teaching video AIs to sweat the small stuff Text-to-video models often miss human-preferred details or waste compute learning from vague, whole-video feedback. LocalDPO, a new training recipe, targets the exact frames and regions that need improvement—no human labels or extra critic model required. * How it
AI
Meet Klear, an AI model that creates video and audio together—so lip movements match words, sounds land on time, and visuals stay coherent. It targets the sync and quality gaps seen in earlier open systems. What makes it work * Single‑tower design with unified transformer blocks and an "
AI
Meet Klear, a research system for generating video and audio together — with lips, speech, and actions that line up. The team tackles three common pain points in A/V generation: off-sync sound, weak lip–speech matches, and quality drops when one modality dominates. * One unified model: a single-tower
AI
Tell richer stories, one node at a time This research introduces a node-based editor that lets you build a multimodal story as a graph—each “node” can hold text, images, audio, and video. You can expand, reorder, and refine nodes using plain-language prompts or direct edits. * Targeted edits:
AI
Tell richer stories, one node at a time This research introduces a node-based editor that lets you build a multimodal story as a graph—each “node” can hold text, images, audio, and video. You can expand, reorder, and refine nodes using plain-language prompts or direct edits. * Targeted edits: