TED2018
Supasorn Suwajanakorn: Fake videos of real people -- and how to spot them
सुपासोन सुवाजनकोन: खऱ्या लोकांचे खोटे व्हिडीओ - आणि ते कसे ओळखावेत?
Filmed:
Readability: 4.6
1,453,308 views
तुम्ही एखाद्या व्हिडिओ चा खरे-खोटेपणा ओळखू शकता? असे व्हिडिओ, ज्यात बरेचदा प्रसिद्ध व्यक्तींच्या तोंडून त्यांनी वास्तविक जीवनात कधीही न मांडलेली मतं वदवून घेतली जातात. हे व्हिडिओ कसे तयार केले जातात हे या रोचक चर्चेत आणि त्यातील तांत्रिक प्रात्यक्षिकांच्या माध्यमातून जाणून घ्या. संगणक शास्त्रज्ञ 'सुपासोन सुवाजनकोन' सांगत आहेत एक स्नातक विद्यार्थी म्हणून, त्यांनी आर्टिफिशियल इंटेलिजन्स आणि 3 डी मॉडेलिंगचा वापर करत वास्तवाशी मिळतेजुळते बनावट व्हिडिओ बनवण्याचे तंत्र कसे विकसित केले या संबंधी. जाणून घ्या या तंत्राचे संभाव्य उपयोग, नैतिक परिणाम तसेच याचा गैरवापर टाळण्यासाठीच्या उपाययोजना याविषयी.
Supasorn Suwajanakorn - Computer scientist
Supasorn Suwajanakorn works on ways to reconstruct, preserve and reanimate anyone -- just from their existing photos and videos. Full bio
Supasorn Suwajanakorn works on ways to reconstruct, preserve and reanimate anyone -- just from their existing photos and videos. Full bio
Double-click the English transcript below to play the video.
00:12
Look at these images.
0
876
1151
हे फोटो पाहा.
00:14
Now, tell me which Obama here is real.
1
2051
2635
आता मला सांगा ,
या फोटोंमधील कोणते ओबामा खरे आहेत??
या फोटोंमधील कोणते ओबामा खरे आहेत??
00:16
(Video) Barack Obama: To help families
refinance their homes,
refinance their homes,
2
4710
2861
(व्हिडिओ) ओबामा:कुटुंबांना घरे
उभी करण्यास मदत करण्यासाठी,
उभी करण्यास मदत करण्यासाठी,
00:19
to invest in things
like high-tech manufacturing,
like high-tech manufacturing,
3
7595
2647
हायटेक उत्पादनांसारख्या
गोष्टींमध्ये गुंतवणुकीसाठी.
गोष्टींमध्ये गुंतवणुकीसाठी.
00:22
clean energy
4
10266
1159
स्वच्छ ऊर्जा,
00:23
and the infrastructure
that creates good new jobs.
that creates good new jobs.
5
11449
2779
नोकऱ्या निर्माण करणाऱ्या
सुविधांमध्ये गुंतवणुकीसाठी.
सुविधांमध्ये गुंतवणुकीसाठी.
00:26
Supasorn Suwajanakorn: Anyone?
6
14647
1484
सुपासोन सुवाजनकोन : सांगा ?
00:28
The answer is none of them.
7
16155
1874
उत्तर आहे - एकही खरे नाहीत.
00:30
(Laughter)
8
18053
1114
(हशा)
00:31
None of these is actually real.
9
19191
1786
खरेतर यातील कोणतेच खरे नाहीत.
00:33
So let me tell you how we got here.
10
21001
1840
याची सुरुवात कशी झाली हे सांगतो.
00:35
My inspiration for this work
11
23940
1578
या कामामागील माझी प्रेरणा म्हणजे
00:37
was a project meant to preserve our last
chance for learning about the Holocaust
chance for learning about the Holocaust
12
25542
5411
होलोकॉस्ट मध्ये वाचलेल्या लोकांकडून
त्यासंबंधी जाणून घेण्याची शेवटची संधी
त्यासंबंधी जाणून घेण्याची शेवटची संधी
00:42
from the survivors.
13
30977
1768
जतन करण्यासाठीचा एक प्रक्ल्प.
00:44
It's called New Dimensions in Testimony,
14
32769
2627
'न्यु डायमेन्शन
इन टेस्टिमोनी' हा तो प्रकल्प .
इन टेस्टिमोनी' हा तो प्रकल्प .
00:47
and it allows you to have
interactive conversations
interactive conversations
15
35420
3126
यात होलोकॉस्टमधे वाचलेल्या व्यक्तींच्या
00:50
with a hologram
of a real Holocaust survivor.
of a real Holocaust survivor.
16
38570
2556
होलोग्रामशी परस्पर संवाद साधता येतो.
00:53
(Video) Man: How did you
survive the Holocaust?
survive the Holocaust?
17
41793
1966
(व्हिडिओ) व्यक्ती:
तुम्ही कसे वाचलात?
तुम्ही कसे वाचलात?
00:55
(Video) Hologram: How did I survive?
18
43783
1668
(व्हिडिओ ):होलोग्राम :मी कसा वाचलो?
00:57
I survived,
19
45912
1807
मी वाचलो
01:00
I believe,
20
48419
1527
कारण मला वाटतं
01:01
because providence watched over me.
21
49970
3023
देवाची माझ्यावर कृपादृष्टी होती.
01:05
SS: Turns out these answers
were prerecorded in a studio.
were prerecorded in a studio.
22
53573
3454
सुपासोन :ही उत्तरे स्टुडिओ मध्ये
आधीच रेकॉर्ड करण्यात आली होती.
आधीच रेकॉर्ड करण्यात आली होती.
01:09
Yet the effect is astounding.
23
57051
2452
तरीही परिणाम आश्चर्यचकित करणारा आहे.
01:11
You feel so connected to his story
and to him as a person.
and to him as a person.
24
59527
3619
ती व्यक्ती आणि त्यांचे अनुभव
यांच्याशी आपण नकळत जोडले जातो.
यांच्याशी आपण नकळत जोडले जातो.
01:16
I think there's something special
about human interaction
about human interaction
25
64011
3301
मला वाटतं मानवी संवादामध्ये
काहीतरी खास आहे;
काहीतरी खास आहे;
01:19
that makes it much more profound
26
67336
2757
ज्यामुळे या अनुभवांना, भावनांना
01:22
and personal
27
70117
2198
अधिक तीव्रता प्राप्त होते.
01:24
than what books or lectures
or movies could ever teach us.
or movies could ever teach us.
28
72339
3485
पुस्तके, व्याख्याने, चित्रपटांच्या तुलनेत
मानवी संवाद खूपकाही शिकवतो.
मानवी संवाद खूपकाही शिकवतो.
01:28
So I saw this and began to wonder,
29
76267
2425
मी हे पहिले आणि विचार केला कि,
01:30
can we create a model
like this for anyone?
like this for anyone?
30
78716
2810
आपल्याला कोणाची अशी प्रतिकृती
बनवता येईल का?
बनवता येईल का?
01:33
A model that looks, talks
and acts just like them?
and acts just like them?
31
81550
2975
हुबेहूब त्यांच्यासारखीच दिसणारी,
बोलणारी,वागणारी प्रतिकृती.
बोलणारी,वागणारी प्रतिकृती.
01:37
So I set out to see if this could be done
32
85573
2007
आणि मी त्यादिशेने प्रयत्न करू लागलो.
01:39
and eventually came up with a new solution
33
87604
2310
अखेरीस मला एक उपाय सापडला,
01:41
that can build a model of a person
using nothing but these:
using nothing but these:
34
89938
3220
ज्यायोगे एखाद्या व्यक्तीची प्रतिकृती
सहज बनवता येऊ शकेल.
सहज बनवता येऊ शकेल.
01:45
existing photos and videos of a person.
35
93747
2214
यासाठी फोटो,व्हिडीओ
इतकेही पुरेसे ठरतील.
इतकेही पुरेसे ठरतील.
01:48
If you can leverage
this kind of passive information,
this kind of passive information,
36
96701
2617
एखाद्याची अशी निष्क्रिय माहिती मिळवता आली
01:51
just photos and video that are out there,
37
99342
2007
जसे कि फोटो, व्हिडीओ इत्यादी.
01:53
that's the key to scaling to anyone.
38
101373
2056
तर अशी प्रतिकृती बनवणे सहज शक्य आहे.
01:56
By the way, here's Richard Feynman,
39
104119
1777
असो .. तर हे आहेत 'रिचर्ड फेनमन'
01:57
who in addition to being
a Nobel Prize winner in physics
a Nobel Prize winner in physics
40
105920
3413
हे भौतिकशास्त्रातील
नोबेल पारितोषिक विजेते तर होतेच
नोबेल पारितोषिक विजेते तर होतेच
02:01
was also known as a legendary teacher.
41
109357
2453
शिवाय ते एक महान शिक्षक
म्हणूनही ओळखले जात.
म्हणूनही ओळखले जात.
02:05
Wouldn't it be great
if we could bring him back
if we could bring him back
42
113080
2198
आपण त्यांना परत आणू शकलो
तर बरे होईल ना ?
तर बरे होईल ना ?
02:07
to give his lectures
and inspire millions of kids,
and inspire millions of kids,
43
115302
3265
कितीतरी लहान मुलांना
त्यांच्या व्याख्यानांमधून प्रेरणा मिळेल.
त्यांच्या व्याख्यानांमधून प्रेरणा मिळेल.
02:10
perhaps not just in English
but in any language?
but in any language?
44
118591
2992
कदाचित इंग्रजी शिवाय इतरही अनेक
भाषांमध्ये हे शक्य झाले तर ?
भाषांमध्ये हे शक्य झाले तर ?
02:14
Or if you could ask our grandparents
for advice and hear those comforting words
for advice and hear those comforting words
45
122441
4602
किंवा आजी आजोबांना सल्ला विचारता आला,
त्यांचे मायेचे शब्द परत ऐकता आले तर..
त्यांचे मायेचे शब्द परत ऐकता आले तर..
02:19
even if they're no longer with us?
46
127067
1770
आज ते आपल्यात नसले तरीही ?
02:21
Or maybe using this tool,
book authors, alive or not,
book authors, alive or not,
47
129683
3396
किंवा हे साधन वापरून,
जिवंत असले/नसलेले प्रसिद्ध लेखक
जिवंत असले/नसलेले प्रसिद्ध लेखक
02:25
could read aloud all of their books
for anyone interested.
for anyone interested.
48
133103
2937
त्यांची पुस्तके श्रोत्यांना ऐकवू शकले तर
02:29
The creative possibilities
here are endless,
here are endless,
49
137199
2437
अश्या कितीतरी कल्पक शक्यता वर्तवता येतील.
02:31
and to me, that's very exciting.
50
139660
1713
आणि माझ्यासाठी,
हे अतिशय रोमांचक आहे.
हे अतिशय रोमांचक आहे.
02:34
And here's how it's working so far.
51
142595
2002
आतापर्यंत हे कसे साध्य झाले आहे ते पाहू.
02:36
First, we introduce a new technique
52
144621
1667
एका नवीन तंत्राचा
परिचय करून देतो.
परिचय करून देतो.
02:38
that can reconstruct a high-detailed
3D face model from any image
3D face model from any image
53
146312
4572
ह्या तंत्राद्वारे कोणत्याही फोटोवरून
चेहऱ्याची तपशीलवार 3D प्रतिमा बनवता येते.
चेहऱ्याची तपशीलवार 3D प्रतिमा बनवता येते.
02:42
without ever 3D-scanning the person.
54
150908
2119
त्या व्यक्तीचे 3D- स्कॅनिंग न करता सुद्धा.
02:45
And here's the same output model
from different views.
from different views.
55
153890
2642
एकच आउटपुट मॉडेल
वेगवेगळ्या प्रकारे तुम्हाला इथे दिसेल.
वेगवेगळ्या प्रकारे तुम्हाला इथे दिसेल.
02:49
This also works on videos,
56
157969
1502
व्हिडिओ मध्येही हे काम करते.
02:51
by running the same algorithm
on each video frame
on each video frame
57
159495
2852
प्रत्येक व्हिडिओ फ्रेमसाठी
सारखाच अल्गोरिदम वापरला जातो
सारखाच अल्गोरिदम वापरला जातो
02:54
and generating a moving 3D model.
58
162371
2222
आणि 3D मॉडेल तयार केले जाते.
02:57
And here's the same
output model from different angles.
output model from different angles.
59
165538
2772
अशा प्रकारे एकच आऊपुट मॉडेल
वेगवेगळ्या दिशेने दाखवता येते.
वेगवेगळ्या दिशेने दाखवता येते.
03:01
It turns out this problem
is very challenging,
is very challenging,
60
169933
2534
ही समस्या खूप आव्हानात्मक आहे,
03:04
but the key trick
is that we are going to analyze
is that we are going to analyze
61
172491
2525
पण यासाठी आपण
त्या व्यक्तीच्या संग्रीहीत फोटोंचे
त्या व्यक्तीच्या संग्रीहीत फोटोंचे
03:07
a large photo collection
of the person beforehand.
of the person beforehand.
62
175040
2966
सविस्तर विश्लेषण करणार आहोत.
03:10
For George W. Bush,
we can just search on Google,
we can just search on Google,
63
178650
2539
जॉर्ज डब्ल्यू. बुश यांचे फोटो
आपण गुगलवर शोधू शकतो.
आपण गुगलवर शोधू शकतो.
03:14
and from that, we are able
to build an average model,
to build an average model,
64
182309
2499
त्यावरून आपल्याला
त्यांची साधारण प्रतिमा बनवता येते.
त्यांची साधारण प्रतिमा बनवता येते.
03:16
an iterative, refined model
to recover the expression
to recover the expression
65
184832
3111
एक चांगली प्रतिकृती ज्यात त्यांचे हावभाव
03:19
in fine details,
like creases and wrinkles.
like creases and wrinkles.
66
187967
2336
चेहऱ्याच्या बारकाव्यांसह
पुनर्निर्मित करता येतील.
पुनर्निर्मित करता येतील.
03:23
What's fascinating about this
67
191326
1403
सगळ्यात मजेदार गोष्ट म्हणजे,
03:24
is that the photo collection
can come from your typical photos.
can come from your typical photos.
68
192753
3423
तुमच्या नेहमीच्या
फोटोंवरून हे सर्व करता येते.
फोटोंवरून हे सर्व करता येते.
03:28
It doesn't really matter
what expression you're making
what expression you're making
69
196200
2603
त्या फोटोंमधील
तुमचे हावभाव महत्वाचे नाहीत.
तुमचे हावभाव महत्वाचे नाहीत.
03:30
or where you took those photos.
70
198827
1885
फोटो कोठे काढले
हेही महत्वाचं नाही.
हेही महत्वाचं नाही.
03:32
What matters is
that there are a lot of them.
that there are a lot of them.
71
200736
2400
फक्त असे भरपूर फोटो
उपलब्ध असणं गरजेचं आहे.
उपलब्ध असणं गरजेचं आहे.
03:35
And we are still missing color here,
72
203160
1736
अरे ...आपण यात अजून रंग भरले नाहीत.
03:36
so next, we develop
a new blending technique
a new blending technique
73
204920
2348
तर पुढे ..
यासाठी आम्ही नवे तंत्र विकसित केले.
यासाठी आम्ही नवे तंत्र विकसित केले.
03:39
that improves upon
a single averaging method
a single averaging method
74
207292
2836
तयार केलेली सर्वसाधारण प्रतिमा
सुधारण्यास याची मदत होते.
सुधारण्यास याची मदत होते.
03:42
and produces sharp
facial textures and colors.
facial textures and colors.
75
210152
2818
यामध्ये चेहऱ्याचा पोत आणि रंग
उत्तमप्रकारे तयार करता येतो.
उत्तमप्रकारे तयार करता येतो.
03:45
And this can be done for any expression.
76
213779
2771
आणि हे कोणत्याही हावभावासाठी शक्य आहे.
03:49
Now we have a control
of a model of a person,
of a model of a person,
77
217485
2499
आता अशी प्रतिमा
आपल्या पूर्ण नियंत्रणाखाली येते.
आपल्या पूर्ण नियंत्रणाखाली येते.
03:52
and the way it's controlled now
is by a sequence of static photos.
is by a sequence of static photos.
78
220008
3795
स्थिर फोटोंच्या क्रमवार रचनेतून
हे नियंत्रण मिळवले जाते.
हे नियंत्रण मिळवले जाते.
03:55
Notice how the wrinkles come and go,
depending on the expression.
depending on the expression.
79
223827
3126
हावभावांनुसार चेहऱ्यावरच्या रेषा
कश्या बदलतात ते पाहा.
कश्या बदलतात ते पाहा.
04:00
We can also use a video
to drive the model.
to drive the model.
80
228109
2746
आपण व्हिडिओ मध्येही हे बदल पाहू शकतो.
04:02
(Video) Daniel Craig: Right, but somehow,
81
230879
2593
(व्हिडिओ) डॅनियल क्रेग: बरोबर, पण
04:05
we've managed to attract
some more amazing people.
some more amazing people.
82
233496
3771
आम्ही काही चांगल्या लोकांना
आकर्षित करण्यात यशस्वी झालो आहोत.
आकर्षित करण्यात यशस्वी झालो आहोत.
04:10
SS: And here's another fun demo.
83
238021
1642
सुपासोन:काही मजेदार प्रात्यक्षिके.
04:11
So what you see here
are controllable models
are controllable models
84
239687
2246
या नियंत्रीत करता येतील
अशा काही प्रतिकृती.
अशा काही प्रतिकृती.
04:13
of people I built
from their internet photos.
from their internet photos.
85
241957
2444
इंटरनेटवरील फोटोंवरून
या प्रतिकृती बनवल्या आहेत.
या प्रतिकृती बनवल्या आहेत.
04:16
Now, if you transfer
the motion from the input video,
the motion from the input video,
86
244425
2904
आता, इनपुट व्हिडीओ द्वारे
हालचालींमध्ये बदल केल्यास;
हालचालींमध्ये बदल केल्यास;
04:19
we can actually drive the entire party.
87
247353
2152
एकाचवेळी सगळे फोटो नियंत्रित होतात.
04:21
George W. Bush:
It's a difficult bill to pass,
It's a difficult bill to pass,
88
249529
2172
जॉर्ज बुश: या कायद्यास
अनुमती मिळणे अवघड आहे.
अनुमती मिळणे अवघड आहे.
04:23
because there's a lot of moving parts,
89
251725
2303
यासाठी खूप बदल गरजेचे आहेत
04:26
and the legislative processes can be ugly.
90
254052
5231
आणि कायदेविषयक प्रक्रिया
तितकीशी सरळ सोपी नाही.
तितकीशी सरळ सोपी नाही.
04:31
(Applause)
91
259307
1630
(टाळ्या )
04:32
SS: So coming back a little bit,
92
260961
1837
सुपासोन: तर.. थोडंसं मागे येऊ.
04:34
our ultimate goal, rather,
is to capture their mannerisms
is to capture their mannerisms
93
262822
3191
खरंतर आमचं अंतिम उद्दिष्ट
त्यांची वागण्या पद्धत जाणून घेणे तसेच
त्यांची वागण्या पद्धत जाणून घेणे तसेच
04:38
or the unique way each
of these people talks and smiles.
of these people talks and smiles.
94
266037
3045
या प्रत्येकांची हसण्या, बोलण्याची
लकब लक्षात घेणे हे आहे.
लकब लक्षात घेणे हे आहे.
04:41
So to do that, can we
actually teach the computer
actually teach the computer
95
269106
2313
यासाठी आपल्याला संगणकाला
04:43
to imitate the way someone talks
96
271443
2222
एखादयाच्या बोलण्याची नक्कल
करण्यास शिकवता येईल?
करण्यास शिकवता येईल?
04:45
by only showing it
video footage of the person?
video footage of the person?
97
273689
2420
ते सुद्धा फक्त त्या व्यक्तीचे
व्हिडिओ दाखवून?
व्हिडिओ दाखवून?
04:48
And what I did exactly was,
I let a computer watch
I let a computer watch
98
276898
2577
मी तेच केले.
संगणकाला असे व्हिडिओ दाखवले.
संगणकाला असे व्हिडिओ दाखवले.
04:51
14 hours of pure Barack Obama
giving addresses.
giving addresses.
99
279499
3277
१४ तास फक्त बराक ओबामा यांची भाषणे दाखवली.
04:55
And here's what we can produce
given only his audio.
given only his audio.
100
283443
3516
आणि केवळ त्यांचे ऑडिओ देऊन
आम्ही हे निर्माण करू शकलो.
आम्ही हे निर्माण करू शकलो.
04:58
(Video) BO: The results are clear.
101
286983
1777
(व्हिडिओ) ओबामा: परिणाम स्पष्ट आहेत.
05:00
America's businesses have created
14.5 million new jobs
14.5 million new jobs
102
288784
4349
अमेरिकन उद्योग धंद्यामुळे १४. ५ दशलक्ष
नव्या रोजगारांची निर्मिती झाली आहे.
नव्या रोजगारांची निर्मिती झाली आहे.
05:05
over 75 straight months.
103
293157
2774
तेही सलग ७५ महिन्यांच्या कालावधीत.
05:07
SS: So what's being synthesized here
is only the mouth region,
is only the mouth region,
104
295955
2905
सुपासोन: येथे केवळ
ओठांचा भाग बनवला जातो आहे.
ओठांचा भाग बनवला जातो आहे.
05:10
and here's how we do it.
105
298884
1540
आणि आम्ही हे अशाप्रकारे बनवतो.
05:12
Our pipeline uses a neural network
106
300764
1826
मज्जासंस्थावर आधारित
प्रणाली वापरून
प्रणाली वापरून
05:14
to convert and input audio
into these mouth points.
into these mouth points.
107
302614
2936
आवाज रूपांतरित करून
ओठांच्या या बिंदूंमध्ये बसवला जातो.
ओठांच्या या बिंदूंमध्ये बसवला जातो.
05:18
(Video) BO: We get it through our job
or through Medicare or Medicaid.
or through Medicare or Medicaid.
108
306547
4225
(व्हिडिओ) ओबामा: आपल्या कामाद्वारे,
मेडिकेअर किंवा मेडिकएड द्वारे मिळते.
मेडिकेअर किंवा मेडिकएड द्वारे मिळते.
05:22
SS: Then we synthesize the texture,
enhance details and teeth,
enhance details and teeth,
109
310796
3420
सुपासोन: नंतर आम्ही त्वचेचा पोत, दात आणि
इतर बारकाव्यांवर काम करतो.
इतर बारकाव्यांवर काम करतो.
05:26
and blend it into the head
and background from a source video.
and background from a source video.
110
314240
3074
नंतर हे सर्व, चेहरा व व्हिडिओतील
पार्श्वभूमी यांना जोडले जाते.
पार्श्वभूमी यांना जोडले जाते.
05:29
(Video) BO: Women can get free checkups,
111
317338
1905
(व्हिडिओ)ओबामा: स्त्रियांना
मोफत तपासणी,
मोफत तपासणी,
05:31
and you can't get charged more
just for being a woman.
just for being a woman.
112
319267
2968
केवळ महिला आहेत म्हणून
अधिक शुल्क आकारता येणार नाही.
अधिक शुल्क आकारता येणार नाही.
05:34
Young people can stay
on a parent's plan until they turn 26.
on a parent's plan until they turn 26.
113
322973
3306
तरुणांना २६ वर्षांपर्यंत
पालकांचीच विमा योजना वापरता येईल.
पालकांचीच विमा योजना वापरता येईल.
05:39
SS: I think these results
seem very realistic and intriguing,
seem very realistic and intriguing,
114
327267
2952
मला वाटते की हे परिणाम
खूपच वास्तववादी आणि रोचक आहेत.
खूपच वास्तववादी आणि रोचक आहेत.
05:42
but at the same time
frightening, even to me.
frightening, even to me.
115
330243
3173
पण त्याच बरोबर ते भीतीदायक सुद्धा आहेत.
अगदी माझ्यासाठी सुद्धा.
अगदी माझ्यासाठी सुद्धा.
05:45
Our goal was to build an accurate model
of a person, not to misrepresent them.
of a person, not to misrepresent them.
116
333440
4015
आमचा उद्देश अचूक मॉडेल तयार करणे
हा होता. चुकीचा अर्थ लावणे हा नाही.
हा होता. चुकीचा अर्थ लावणे हा नाही.
05:49
But one thing that concerns me
is its potential for misuse.
is its potential for misuse.
117
337956
3111
मात्र याचा दुरुपयोग होऊ शकतो
हि गोष्ट मला काळजीत टाकते.
हि गोष्ट मला काळजीत टाकते.
05:53
People have been thinking
about this problem for a long time,
about this problem for a long time,
118
341958
2971
लोक बऱ्याच काळापासून
या समस्येबद्दल विचार करत आहेत,
या समस्येबद्दल विचार करत आहेत,
05:56
since the days when Photoshop
first hit the market.
first hit the market.
119
344953
2381
अगदी फोटोशॉप
पहिल्यांदा बाजारात आलं त्या वेळपासून.
पहिल्यांदा बाजारात आलं त्या वेळपासून.
05:59
As a researcher, I'm also working
on countermeasure technology,
on countermeasure technology,
120
347862
3801
एक संशोधक म्हणून,मी प्रतिबंधात्मक
तंत्रज्ञानावर देखिल काम करतो आहे.
तंत्रज्ञानावर देखिल काम करतो आहे.
06:03
and I'm part of an ongoing
effort at AI Foundation,
effort at AI Foundation,
121
351687
2942
आणि मी एआय फाउंडेशनमध्ये
चालू असलेल्या प्रयत्नांचा भाग आहे,
चालू असलेल्या प्रयत्नांचा भाग आहे,
06:06
which uses a combination
of machine learning and human moderators
of machine learning and human moderators
122
354653
3397
यामध्ये मशीन लर्निंग आणि मानवी संयोजक
यांचा एकत्रित उपयोग केला जातो.
यांचा एकत्रित उपयोग केला जातो.
06:10
to detect fake images and videos,
123
358074
2144
आणि नकली छायाचित्रे, व्हिडीओ शोधली जातात.
06:12
fighting against my own work.
124
360242
1514
हे माझ्याच विरोधात जाणे झाले.
06:14
And one of the tools we plan to release
is called Reality Defender,
is called Reality Defender,
125
362675
3190
आम्ही लवकरच उपलब्ध करणाऱ्या
साधनांपैकी एक म्हणजे 'रिऍलिटी डिफेंडर'.
साधनांपैकी एक म्हणजे 'रिऍलिटी डिफेंडर'.
06:17
which is a web-browser plug-in
that can flag potentially fake content
that can flag potentially fake content
126
365889
4039
हे एक वेब-ब्राउझर प्लग-इन आहे
जे संभाव्य बनावट मजकूर अधोरेखित करेल.
जे संभाव्य बनावट मजकूर अधोरेखित करेल.
06:21
automatically, right in the browser.
127
369952
2533
आपोआप आणि तेही ब्राउझरमध्येच
06:24
(Applause)
128
372509
4228
(टाळ्या)
06:28
Despite all this, though,
129
376761
1453
तरीही..
06:30
fake videos could do a lot of damage,
130
378238
1840
बनावट व्हिडिओ बरेच नुकसान करू शकतात,
06:32
even before anyone has a chance to verify,
131
380102
3294
अगदी कोणालाही ते पडताळून पाहण्याची
संधी मिळण्या आधीच
संधी मिळण्या आधीच
06:35
so it's very important
that we make everyone aware
that we make everyone aware
132
383420
2722
म्हणूनच सध्या तंत्रज्ञानाद्वारे
काय शक्य आहे
काय शक्य आहे
06:38
of what's currently possible
133
386166
2007
याबाबत सर्वांना जागृत करणे महत्वाचे आहे.
06:40
so we can have the right assumption
and be critical about what we see.
and be critical about what we see.
134
388197
3369
जेणेकरून आपण हे गृहीत धरून
काय पाहतो आहोत याचा सारासार विचार करू शकू.
काय पाहतो आहोत याचा सारासार विचार करू शकू.
06:44
There's still a long way to go before
we can fully model individual people
we can fully model individual people
135
392423
5007
व्यक्तीची संपूर्ण प्रतिकृती बनवण्यासाठी
अजून बरेच प्रयत्न गरजेचे आहेत.
अजून बरेच प्रयत्न गरजेचे आहेत.
06:49
and before we can ensure
the safety of this technology.
the safety of this technology.
136
397454
2786
तसेच याचा योग्य वापर होईल
हे सुनिश्चित करण्यासाठीही.
हे सुनिश्चित करण्यासाठीही.
06:53
But I'm excited and hopeful,
137
401097
1587
पण मी उत्साहित आणि आशावादी आहे,
06:54
because if we use it right and carefully,
138
402708
3539
कारण याचा योग्य आणि काळजीपूर्वक केल्यास,
06:58
this tool can allow any individual's
positive impact on the world
positive impact on the world
139
406271
4309
कोणत्याही व्यक्तीचा
जगावरील सकारात्मक प्रभाव
जगावरील सकारात्मक प्रभाव
07:02
to be massively scaled
140
410604
2190
वाढवण्यास मदत होऊ शकेल.
07:04
and really help shape our future
the way we want it to be.
the way we want it to be.
141
412818
2742
व याच्या साहाय्याने भविष्याला
हवा तसा आकार देता येऊ शकेल.
हवा तसा आकार देता येऊ शकेल.
07:07
Thank you.
142
415584
1151
धन्यवाद.
07:08
(Applause)
143
416759
5090
(टाळ्या)
ABOUT THE SPEAKER
Supasorn Suwajanakorn - Computer scientistSupasorn Suwajanakorn works on ways to reconstruct, preserve and reanimate anyone -- just from their existing photos and videos.
Why you should listen
Can we create a digital avatar that looks, acts and talks just like our sweet grandma? This question has inspired Supasorn Suwajanakorn, a recent PhD graduate from the University of Washington, to spend years developing new tools to make it a reality. He has developed a set of algorithms that can build a moving 3D face model of anyone from just photos, which was awarded the Innovation of the Year in 2016. He then introduced the first system that can replicate a person's speech and produce a realistic CG-animation by only analyzing their existing video footage -- all without ever bringing in the person to a Hollywood capture studio.
Suwajanakorn is working in the field of machine learning and computer vision. His goal is to bring vision algorithms out of the lab and make them work in the wild.
Supasorn Suwajanakorn | Speaker | TED.com