Em uma era de políticos viciados em pós-verdade e na falácia do ad hominem, um novo projeto da Universidade de Washington criou algoritmos que geram vídeos com uma sincronização labial muito avançada, a partir de um simples clipe de áudio. O olho treinado detectará erros no processo sem dificuldade, mas esse não é o ponto. Afinal, tudo o que se precisa é de uma simulação boa o suficiente, e repeti-la até a exaustão…
Para aqueles que ainda não leram 1984, de George Orwell, o personagem Winston Smith é um editor no Ministério da Verdade, encarregado de realizar revisionismo histórico, ou seja, alterar registros anteriores para adaptá-los à visão e à vontade do Estado. Atualmente, a crença de que “ninguém sobrevive ao arquivo” permanece firme, mas se somarmos a possibilidade de editar o arquivo ou criá-lo do zero, que a digitalização habilita, separar a verdade da mentira se torna muito mais difícil. Dito isso, um novo projeto da Universidade de Washington demonstra o impressionante poder das redes neurais aplicado ao processamento visual e à sincronização labial. Também nos deixa preocupados.
Como funciona a sincronização labial
Basicamente, o que o software faz é gerar movimentos labiais e bucais precisos a partir de um clipe de áudio, para depois colocá-los sobre o rosto de uma pessoa em um vídeo pré-existente. Os responsáveis pelo projeto dizem que essa “conversão realista de áudio para vídeo” possui aplicações práticas como a otimização de videoconferências (em vez de transmitir um sinal de vídeo inteiro, recebe-se apenas o áudio e um modelo local “fala” conosco), ou em um futuro não muito distante, manter uma conversa com figuras históricas e atores via realidade virtual. Por que escolheram Barack Obama? Uma simples questão de material disponível. A rede neural precisa ser treinada, e há uma enorme quantidade de vídeos do ex-presidente em domínio público.
Não, a sincronização não é perfeita e seus criadores sabem disso, mas é questão de tempo para que os efeitos do Vale da Estranheza fiquem para trás. Agora, a rede neural só pode ser treinada com os dados de uma única pessoa de cada vez. De acordo com o professor e coautor Steve Seitz, “não é possível” pegar a voz de qualquer um e transformá-la em um vídeo do presidente Obama. No entanto, se nos guiarmos pelos comentários nos vídeos (um deles já os tem desabilitados), as pessoas pensam diferente.
