TED2009
Ed Ulbrich: How Benjamin Button got his face
Ed Ulbrich, Benjamin Button'ın yüzünün nasıl yapıldığını gösteriyor
Filmed:
Readability: 4.4
1,080,448 views
Dijital efektlerin ustası Ed Ulbrich, takımının Brad Pitt'in yüzünün genç ve yaşlı halini dijital olarak yaratmasına olanak tanıyan Oscar ödüllü teknolojiyi açıklıyor.
Ed Ulbrich - Visual storyteller
Ed Ulbrich works at the leading edge of computer-generated visuals. On a recent project, filmmakers, artists, and technologists have been working at a breakthrough point where reality and digitally created worlds collide. Full bio
Ed Ulbrich works at the leading edge of computer-generated visuals. On a recent project, filmmakers, artists, and technologists have been working at a breakthrough point where reality and digitally created worlds collide. Full bio
Double-click the English transcript below to play the video.
00:18
I'm here today representing a team of artists and technologists and filmmakers
0
0
5000
Bugün burada sanatçı ve teknoloji uzmanı ve film yapımcılarından oluşan,
00:23
that worked together on a remarkable film project for the last four years.
1
5000
3000
son dört yıl boyunca dikkate değer bir film projesi üzerinde birlikte çalışmış bir takımı temsil ediyorum.
00:26
And along the way they created a breakthrough in computer visualization.
2
8000
4000
Bu süre içerisinde bilgisayarda yapılan canlandırmada bir atılım yarattılar.
00:30
So I want to show you a clip of the film now.
3
12000
3000
Şimdi size filmden bir bölüm göstermek istiyorum.
00:33
Hopefully it won't stutter.
4
15000
3000
Umarım teklemez.
00:36
And if we did our jobs well, you won't know that we were even involved.
5
18000
3000
Ve eğer işimizi iyi yapmışsak, bu işe karıştığımızı anlamayacaksınız bile.
00:39
Voice (Video): I don't know how it's possible ...
6
21000
3000
Film: Bu nasıl mümkün olabilir bilmiyorum ...
00:42
but you seem to have more hair.
7
24000
3000
ama sanki daha çok saçın var.
00:45
Brad Pitt: What if I told you that I wasn't getting older ...
8
27000
3000
Benjamin Button: Sana herkesten giderek yaşlı değil de ...
00:48
but I was getting younger than everybody else?
9
30000
2000
genç hale geldiğimi söylesem?
00:53
I was born with some form of disease.
10
35000
3000
Bir tür hastalıkla doğdum.
00:56
Voice: What kind of disease?
11
38000
2000
Ses: Ne tür bir hastalık?
00:58
BP: I was born old.
12
40000
2000
BB: Yaşlı olarak doğdum.
01:01
Man: I'm sorry.
13
43000
2000
Adam: Üzgünüm.
01:03
BP: No need to be. There's nothing wrong with old age.
14
45000
3000
BB: Üzülmene gerek yok. Yaşlı olmak kötü bir şey değil.
01:08
Girl: Are you sick?
15
50000
2000
Kız: Hasta mısın?
01:10
BP: I heard momma and Tizzy whisper,
16
52000
3000
BB: Annem ile Tizzy'nin fısıldaştıklarını duydum.
01:13
and they said I was gonna die soon.
17
55000
2000
ve yakında öleceğimi söylediler.
01:15
But ... maybe not.
18
57000
3000
Ama... belki ölmem.
01:18
Girl: You're different than anybody I've ever met.
19
60000
3000
Kız: Sen tanışmış olduğum herkesten farklısın.
01:22
BB: There were many changes ...
20
64000
3000
BB: Birçok değişiklikler vardı ...
01:25
some you could see, some you couldn't.
21
67000
3000
bazılarını görebilir, bazılarını ise göremezdin.
01:28
Hair started growing in all sorts of places,
22
70000
3000
Tüyler her türlü yerde uzamaya başladı,
01:31
along with other things.
23
73000
3000
diğer şeylerle beraber.
01:34
I felt pretty good, considering.
24
76000
3000
Yine de kendimi gayet iyi hissettim.
01:38
Ed Ulbrich: That was a clip from "The Curious Case of Benjamin Button."
25
80000
4000
Ed Ulbrich: Bu "Benjamin Button'ın Tuhaf Hikayesi"nden bir bölümdü.
01:42
Many of you, maybe you've seen it or you've heard of the story,
26
84000
4000
Birçoğunuz hikayeyi duymuş ya da izlemiş olabilirsiniz,
01:46
but what you might not know
27
88000
2000
ama bilmiyor olabileceğiniz şey,
01:48
is that for nearly the first hour of the film,
28
90000
2000
filmin yaklaşık ilk bir saati boyunca
01:50
the main character, Benjamin Button, who's played by Brad Pitt,
29
92000
3000
Brad Pitt tarafından oynanan ana kahraman Benjamin Button'ın
01:53
is completely computer-generated from the neck up.
30
95000
3000
boynunun yukarısından itibaren tamamen bilgisayar tarafından yaratılmış olduğudur.
01:56
Now, there's no use of prosthetic makeup
31
98000
3000
Şimdi, burada hiçbir yapay vücut bölümü oluşturan makyaj kullanılmamış,
01:59
or photography of Brad superimposed over another actor's body.
32
101000
3000
ya da Brad'in resmi başka bir aktörün vücudunun üstüne uygulanmamıştır.
02:02
We've created a completely digital human head.
33
104000
3000
Tamamen dijital bir insan kafası yaratmıştık.
02:05
So I'd like to start with a little bit of history on the project.
34
107000
3000
Bu yüzden biraz projenin tarihçesinden bahsederek başlamak isterim.
02:08
This is based on an F. Scott Fitzgerald short story.
35
110000
2000
Bu F. Scott Fitzgerald'ın bir kısa hikayesinin uyarlamasıdır.
02:10
It's about a man who's born old and lives his life in reverse.
36
112000
3000
Yaşlı doğup, yaşamını tersine doğru yaşayan bir adam hakkında.
02:13
Now, this movie has floated around Hollywood
37
115000
2000
Şimdi, bu film Hollywood çevresinde
02:15
for well over half a century,
38
117000
2000
yarım yüzyıla yakın bir süre dolaşmıştı
02:17
and we first got involved with the project in the early '90s,
39
119000
3000
ve biz projeye ilk olarak 90'ların başında
02:20
with Ron Howard as the director.
40
122000
2000
yönetmen Ron Howard ile karıştık.
02:22
We took a lot of meetings and we seriously considered it.
41
124000
3000
Birçok toplantı yaptık ve projeyi ciddiyetle göz önünde tuttuk.
02:25
But at the time we had to throw in the towel.
42
127000
2000
Ama zaman içinde vazgeçmek zorunda kaldık.
02:27
It was deemed impossible.
43
129000
2000
İmkansız sayılıyordu.
02:29
It was beyond the technology of the day to depict a man aging backwards.
44
131000
4000
Ters yaşlanan bir adamı tasvir etmek günümüz teknolojisinin ötesindeydi.
02:33
The human form, in particular the human head,
45
135000
3000
İnsan formu, özellikle insan kafası
02:36
has been considered the Holy Grail of our industry.
46
138000
3000
endüstrimizin Kutsal Kasesi olarak düşünülmüştü.
02:39
The project came back to us about a decade later,
47
141000
3000
Proje yaklaşık 10 yıl sonra tekrar bize döndü,
02:42
and this time with a director named David Fincher.
48
144000
3000
ve bu defa yönetmenin ismi David Fincher'dı.
02:45
Now, Fincher is an interesting guy.
49
147000
3000
Şimdi, Fincher ilginç bir adam.
02:48
David is fearless of technology,
50
150000
2000
David teknolojiden korkmuyordu,
02:50
and he is absolutely tenacious.
51
152000
2000
ve kesinlikle çok inatçıydı.
02:52
And David won't take "no."
52
154000
2000
Ve David "hayır"ı kabul etmezdi.
02:54
And David believed, like we do in the visual effects industry,
53
156000
3000
Ve David görsel efektler endüstrisinde yaptığımız gibi
02:57
that anything is possible
54
159000
3000
her şeyin mümkün olabileceğine inanırdı,
03:00
as long as you have enough time, resources and, of course, money.
55
162000
3000
yeter ki yeterli zamanın, kaynağın ve tabi paran olsun.
03:03
And so David had an interesting take on the film,
56
165000
4000
Ve şöyle ki David'in filme çok değişik bir bakış açısı vardı
03:07
and he threw a challenge at us.
57
169000
3000
ve bizi bir mücadeleye davet etti.
03:10
He wanted the main character of the film to be played
58
172000
3000
Filmin baş kahramanının
03:13
from the cradle to the grave by one actor.
59
175000
2000
doğumundan ölümüne kadar tek bir aktör tarafından canlandırılmasını istiyordu.
03:15
It happened to be this guy.
60
177000
2000
O kişi ise bu adam oluverdi.
03:17
We went through a process of elimination and a process of discovery
61
179000
3000
Bir eleme ve keşfetme yöntemi izledik David ile beraber,
03:20
with David, and we ruled out, of course, swapping actors.
62
182000
3000
ve tabi değiş tokuş yaparak aktör eledik.
03:23
That was one idea: that we would have different actors,
63
185000
3000
Bir fikir şuydu: farklı aktörler oynatacaktık
03:26
and we would hand off from actor to actor.
64
188000
2000
ve aktörden aktöre geçiş yapacaktık.
03:28
We even ruled out the idea of using makeup.
65
190000
2000
Makyaj kullanma fikrini bile ortadan kaldırdık.
03:30
We realized that prosthetic makeup just wouldn't hold up,
66
192000
3000
Yapay deri yapıcı makyajın tutmayacağını anladık
03:33
particularly in close-up.
67
195000
2000
özellikle de yakın planda.
03:35
And makeup is an additive process. You have to build the face up.
68
197000
3000
Ve makyaj ilave isteyen bir yöntemdir. Yüzü geliştirmeniz gerekir.
03:38
And David wanted to carve deeply into Brad's face
69
200000
3000
Ve David, Brad'in yüzünü
03:41
to bring the aging to this character.
70
203000
2000
karakterine yaşlılık vermesi için derince oymak istedi.
03:43
He needed to be a very sympathetic character.
71
205000
2000
Çok sempatik bir karakter olması gerekiyordu.
03:45
So we decided to cast a series of little people
72
207000
3000
Bu yüzden bir dizi küçük insana
03:48
that would play the different bodies of Benjamin
73
210000
3000
Benjamin'in farklı vücutlarını
03:51
at the different increments of his life
74
213000
2000
hayatının farklı evrelerinde oynayacakları roller vermeye karar verdik
03:53
and that we would in fact create a computer-generated version of Brad's head,
75
215000
3000
ve aslında bilgisayarda Brad'in kafasının
03:56
aged to appear as Benjamin,
76
218000
2000
yaşlanmış hali olan Benjamin'i yaratacaktık
03:58
and attach that to the body of the real actor.
77
220000
3000
ve bunu asıl aktörün vücudunun üzerine ekleyecektik.
04:01
Sounded great.
78
223000
2000
Kulağa müthiş geliyordu.
04:03
Of course, this was the Holy Grail of our industry,
79
225000
3000
Tabi ki bu endüstrimizin Kutsal Kase'siydi
04:06
and the fact that this guy is a global icon didn't help either,
80
228000
3000
ve bu adamın dünya çapında bir ikon olma durumu da bir yardımda bulunmadı,
04:09
because I'm sure if any of you ever stand in line at the grocery store,
81
231000
3000
çünkü eminim ki eğer bir kere bile olsa markette sırada beklediyseniz
04:12
you know -- we see his face constantly.
82
234000
3000
bilirsiniz, onun yüzünü çok sık görürüz.
04:15
So there really was no tolerable margin of error.
83
237000
2000
Bu yüzden fazla hataya yer yoktu.
04:17
There were two studios involved: Warner Brothers and Paramount.
84
239000
3000
Katılan iki film stüdyosu vardı: Warner Brothers ve Paramount.
04:20
And they both believed this would make an amazing film, of course,
85
242000
3000
Ve tabi ki her ikisi de bunun harika bir film oluşturacağına inandılar,
04:23
but it was a very high-risk proposition.
86
245000
3000
ama çok yüksek riskli bir teklifti.
04:26
There was lots of money and reputations at stake.
87
248000
3000
Çok fazla para söz konusu idi ve itibar tehlikedeydi.
04:29
But we believed that we had a very solid methodology
88
251000
3000
Ve çok sağlam,
04:32
that might work ...
89
254000
3000
işe yarayabilir bir yöntemimiz olduğuna inanıyorduk ...
04:35
But despite our verbal assurances,
90
257000
3000
Ama sözlü güvencelerimize karşın
04:38
they wanted some proof.
91
260000
2000
bir kanıt istediler.
04:40
And so, in 2004, they commissioned us to do a screen test of Benjamin.
92
262000
3000
Ve böylece 2004'te Benjamin'in bir ekran testini yapmamızı istediler.
04:43
And we did it in about five weeks.
93
265000
3000
Ve biz bunu yaklaşık beş hafta içinde yaptık.
04:46
But we used lots of cheats and shortcuts.
94
268000
3000
Ama çok fazla hile ve kısayol kullandık.
04:49
We basically put something together to get through the meeting.
95
271000
3000
Toplantıdan geçmek için basitçe bir şeyleri bir araya getirdik.
04:52
I'll roll that for you now. This was the first test for Benjamin Button.
96
274000
3000
Şimdi sizin için durumu biraz toparlayacağım. Bu Benjamin Button için yapılan ilk testti.
04:55
And in here, you can see, that's a computer-generated head --
97
277000
3000
Ve burada bunun bilgisayarca üretilmiş bir kafa olduğunu görebiliyorsunuz.
04:58
pretty good -- attached to the body of an actor.
98
280000
3000
Bu gayet iyi. Bir aktörün bedeninin üst tarafına eklenmiş.
05:01
And it worked. And it gave the studio great relief.
99
283000
3000
Ve işe yaradı. Ve bu da stüdyoda büyük bir rahatlama yarattı.
05:04
After many years of starts and stops on this project,
100
286000
3000
Yıllarca sürmüş olan başlama ve durdurma kararlarından sonra,
05:07
and making that tough decision,
101
289000
3000
o zor kararı vererek,
05:10
they finally decided to greenlight the movie.
102
292000
3000
sonunda filme yeşil ışık yakmaya karar verdiler.
05:13
And I can remember, actually, when I got the phone call to congratulate us,
103
295000
3000
Ve doğrusu bizi kutlayan
05:16
to say the movie was a go,
104
298000
2000
ve filmin onaylandığını söyleyen o telefon görüşmesinde
05:18
I actually threw up.
105
300000
2000
gerçekten kustuğumu hatırlayabiliyorum.
05:20
(Laughter)
106
302000
2000
(Kahkahalar)
05:22
You know, this is some tough stuff.
107
304000
2000
Bilirsiniz, bu zorlayıcı bir şeydir.
05:24
So we started to have early team meetings,
108
306000
3000
Bu yüzden erken takım toplantıları yapmaya başladık
05:27
and we got everybody together,
109
309000
2000
ve herkesi biraraya topladık
05:29
and it was really more like therapy in the beginning,
110
311000
3000
ve başlangıçta daha çok bir terapi gibiydi,
05:32
convincing each other and reassuring each other that we could actually undertake this.
111
314000
3000
birbirimizi ikna ediyor ve birbirimize bunun altından kalkabileceğimiz konusunda güvence veriyorduk.
05:35
We had to hold up an hour of a movie with a character.
112
317000
3000
Filmin bir saatini bir karakterle geçirmek zorundaydık.
05:38
And it's not a special effects film; it has to be a man.
113
320000
3000
Ve bu bir özel efekt filmi değildi; bir insan olmalıydı.
05:41
We really felt like we were in a -- kind of a 12-step program.
114
323000
3000
Kendimizi gerçekten 12 adımlık bir bağımlılık tedavi programında gibi hissediyorduk.
05:44
And of course, the first step is: admit you've got a problem. (Laughter)
115
326000
3000
Ve tabi ki ilk adım da şudur: bir problemin olduğunu itiraf et.
05:48
So we had a big problem:
116
330000
2000
Şöyle ki büyük bir problemimiz vardı.
05:50
we didn't know how we were going to do this.
117
332000
3000
Bunu nasıl yapacağımızı bilmiyorduk.
05:53
But we did know one thing.
118
335000
2000
Ama bir şeyi biliyorduk.
05:55
Being from the visual effects industry,
119
337000
3000
Görsel efektler endüstrisinden olan bizler,
05:58
we, with David, believed that we now had enough time,
120
340000
3000
David ile beraber şimdi yeterli zamana,
06:01
enough resources, and, God, we hoped we had enough money.
121
343000
3000
yeterli kaynaklara sahip olduğumuza inandık ve, Tanrım, yeterli paraya sahip olduğumuzu umduk.
06:04
And we had enough passion to will the processes and technology into existence.
122
346000
5000
Ve yöntemleri ve teknolojiyi gerçekleştirebilmeye yetecek tutkumuz vardı.
06:09
So, when you're faced with something like that,
123
351000
2000
Şöyle ki, böyle bir şey ile yüzyüze kaldığınız zaman,
06:11
of course you've got to break it down.
124
353000
2000
tabii ki onu bölmek zorunda kalırsınız.
06:13
You take the big problem and you break it down into smaller pieces
125
355000
2000
Büyük problemi alırsınız ve onu küçük parçalara bölersiniz
06:15
and you start to attack that.
126
357000
1000
ve bunlara hücum etmeye başlarsınız.
06:16
So we had three main areas that we had to focus on.
127
358000
2000
Böylece odaklanmak zorunda olduğumuz üç ana alan belirledik.
06:18
We needed to make Brad look a lot older --
128
360000
2000
Brad'i oldukça yaşlı göstermemiz gerekiyordu.
06:20
needed to age him 45 years or so.
129
362000
2000
45 yıl ya da daha fazla yaşlandırmamız gerekiyordu.
06:22
And we also needed to make sure that we could take Brad's idiosyncrasies,
130
364000
6000
Ve ayrıca Brad'in kişisel özelliklerini,
06:28
his little tics, the little subtleties that make him who he is
131
370000
2000
ufak tiklerini, onu o yapan küçük incelikleri alabildiğimize emin olmamız gerekiyordu
06:30
and have that translate through our process
132
372000
2000
ve bunu yöntemimiz boyunca nakletmeliydik ki
06:32
so that it appears in Benjamin on the screen.
133
374000
3000
bu ayrıntılar beyazperdede Benjamin'in üzerinde de görünsün.
06:35
And we also needed to create a character
134
377000
2000
Ayrıca gerçekten her koşulda işlerin altından kalkabilecek
06:37
that could hold up under, really, all conditions.
135
379000
3000
bir karakter yaratmalıydık.
06:40
He needed to be able to walk in broad daylight,
136
382000
2000
Engin güneş ışığında,
06:42
at nighttime, under candlelight,
137
384000
3000
gece vaktinde, mum ışığı altında yürüyebilmeliydi,
06:45
he had to hold an extreme close-up,
138
387000
2000
oldukça samimi bir anlatıma sahip olmalıydı,
06:47
he had to deliver dialogue,
139
389000
1000
kouşma yapmalıydı,
06:48
he had to be able to run, he had to be able to sweat,
140
390000
2000
koşabilmeli, terleyebilmeliydi,
06:50
he had to be able to take a bath, to cry,
141
392000
2000
banyo yapabilmeli, ağlayabilmeliydi,
06:52
he even had to throw up.
142
394000
1000
hatta kusmalıydı.
06:53
Not all at the same time --
143
395000
1000
Hepsi aynı anda değil tabi.
06:54
but he had to, you know, do all of those things.
144
396000
2000
Ama bilirsiniz, bu şeylerin hepsini yapmalıydı.
06:56
And the work had to hold up for almost the first hour of the movie.
145
398000
3000
Ve bu iş, filmin yaklaşık ilk bir saatini doldurmalıydı.
06:59
We did about 325 shots.
146
401000
2000
325 civarı çekim yaptık.
07:01
So we needed a system that would allow Benjamin
147
403000
3000
Şöyle ki Benjamin'in her insanın yapabileceği şeyleri yapmasına
07:04
to do everything a human being can do.
148
406000
3000
olanak tanıyacak bir sisteme ihtiyacımız vardı.
07:07
And we realized that there was a giant chasm
149
409000
3000
Ve fark ettik ki,
07:10
between the state of the art of technology in 2004
150
412000
3000
2004'teki teknoloji seviyesi ile
07:13
and where we needed it to be.
151
415000
2000
bizim olmasına ihtiyacımız olan arasında büyük bir uçurum vardı.
07:15
So we focused on motion capture.
152
417000
3000
Bu yüzden motion capture (hareket yakalama) teknolojisine yoğunlaştık.
07:18
I'm sure many of you have seen motion capture.
153
420000
2000
Birçoğunuzun motion capture görmüş olduğunuza eminim.
07:20
The state of the art at the time
154
422000
2000
Zamanın en büyük teknolojisi,
07:22
was something called marker-based motion capture.
155
424000
2000
temelinde işaretleyiciler olan, "hareket yakalayıcı" olarak adlandırılan bir şeydi.
07:24
I'll give you an example here.
156
426000
1000
Size burada bir örnek vereceğim.
07:25
It's basically the idea of, you wear a leotard,
157
427000
2000
Basitçe şöyledir; tek parça streç bir giysi giyersiniz
07:27
and they put some reflective markers on your body,
158
429000
2000
ve vücudunuzun üzerine bazı yansıtıcı işaretleyiciler koyarlar,
07:29
and instead of using cameras,
159
431000
2000
kamera yerine bunu kullanırlar.
07:31
there're infrared sensors around a volume,
160
433000
2000
Belirli bir hacimde kızılötesi sensörler vardır
07:33
and those infrared sensors track the three-dimensional position
161
435000
2000
ve bu kızılötesi ışınlar
07:35
of those markers in real time.
162
437000
2000
işaretleyicilerin üç boyutlu pozisyonlarını takip ederler.
07:37
And then animators can take the data of the motion of those markers
163
439000
3000
Bundan sonra animatörler bu işaretleyicilerin hareket verilerini alabilir
07:40
and apply them to a computer-generated character.
164
442000
2000
ve bilgisayarca yaratılmış karaktere ekleyebilirler.
07:42
You can see the computer characters on the right
165
444000
3000
Sağ tarafta dansçı olarak aynı karmaşık hareketi yapan
07:45
are having the same complex motion as the dancers.
166
447000
3000
bilgisayar karakterlerini görebilirsiniz.
07:48
But we also looked at numbers of other films at the time
167
450000
2000
Ama aynı zamanda yüzde işaret izleyici kullanmakta olan
07:50
that were using facial marker tracking,
168
452000
2000
diğer filmlere de baktık.
07:52
and that's the idea of putting markers on the human face
169
454000
2000
Bu filmlerdeki espri de işareçileri insan yüzüne koyma
07:54
and doing the same process.
170
456000
1000
ve aynı süreci izleme.
07:55
And as you can see, it gives you a pretty crappy performance.
171
457000
4000
Ve gördüğünüz gibi berbat bir verim alıyorsunuz.
07:59
That's not terribly compelling.
172
461000
3000
Bu, çok da saygı uyandırıcı değildi.
08:02
And what we realized
173
464000
2000
Ve farkına vardık ki,
08:04
was that what we needed
174
466000
1000
ihtiyacımız olan şey
08:05
was the information that was going on between the markers.
175
467000
2000
işaretleyiciler arasında gidip gelen bilgiydi.
08:07
We needed the subtleties of the skin.
176
469000
3000
Derinin inceliklerine ihtiyacımız vardı.
08:10
We needed to see skin moving over muscle moving over bone.
177
472000
3000
Derinin, kemiğin üstünde hareket eden kasın üzerindeki hareketini görmemiz gerekiyordu.
08:13
We needed creases and dimples and wrinkles and all of those things.
178
475000
2000
Tüm bunların kıvrım, kırışık ve çukurlarına ihtiyacımız vardı.
08:15
Our first revelation was to completely abort and walk away from
179
477000
3000
İlk keşfimiz günümüz teknolojisinden, şimdiki durumdan, sanatın halinden
08:18
the technology of the day, the status quo, the state of the art.
180
480000
3000
tamamen uzaklaşmak ve bunları yarıda kesmekti.
08:21
So we aborted using motion capture.
181
483000
3000
Bu yüzden motion capture kullanmayı bıraktık.
08:24
And we were now well out of our comfort zone,
182
486000
3000
Ve şimdi güvenli alanımızdan oldukça uzakta
08:27
and in uncharted territory.
183
489000
2000
ve bilinmeyen bir bölgedeyiz.
08:29
So we were left with this idea
184
491000
3000
Sonunda "teknoloji türlüsü" olarak adlandırdığımız
08:32
that we ended up calling "technology stew."
185
494000
3000
bir fikirle kalakalmıştık.
08:35
We started to look out in other fields.
186
497000
2000
Başka alanları seçmeye başladık
08:37
The idea was that we were going to find
187
499000
3000
ve fikir şuydu:
08:40
nuggets or gems of technology
188
502000
2000
teknolojinin mücevherleri veya altın külçeleri olan
08:42
that come from other industries like medical imaging,
189
504000
2000
başka işletmelerin ortaya çıkardığı tıbbi görüntüleme ya da
08:44
the video game space,
190
506000
1000
video oyunu alanı gibilerini bulacaktık
08:45
and re-appropriate them.
191
507000
2000
ve onları tekrar düzenleyecektik.
08:47
And we had to create kind of a sauce.
192
509000
3000
Ve bir çeşit sos yaratmak zorunda kaldık.
08:50
And the sauce was code in software
193
512000
3000
Ve sos, bizim bu bambaşka teknoloji parçalarını
08:53
that we'd written to allow these disparate pieces of technology
194
515000
3000
biraraya getirmesi ve bir bütün olarak çalıştırmasını sağlaması için
08:56
to come together and work as one.
195
518000
2000
yazmış olduğumuz bilgisayar yazılımındaki kod idi.
08:58
Initially, we came across some remarkable research
196
520000
2000
İlk olarak Dr. Paul Ekman isimli bir beyefendinin 70'lerin başında yapmış olduğu
09:00
done by a gentleman named Dr. Paul Ekman in the early '70s.
197
522000
3000
kaydadeğer bazı araştırmaları ile karşılaştık.
09:03
He believed that he could, in fact,
198
525000
3000
İnsan yüzünün
09:06
catalog the human face.
199
528000
2000
kataloğunu yapabileceğine inanıyordu.
09:08
And he came up with this idea of Facial Action Coding System, or FACS.
200
530000
3000
Ve Yüze Ait Hareket Kodlama Sistemi fikrini ortaya çıkardı.
09:11
He believed that there were 70 basic poses
201
533000
3000
İnsan yüzünün 70 temel pozu
09:14
or shapes of the human face,
202
536000
3000
veya şekli olduğuna inanıyordu
09:17
and that those basic poses or shapes of the face
203
539000
3000
ve yüzün bu pozları veya şekilleri
09:20
can be combined to create infinite possibilities
204
542000
3000
biraraya getirilerek, insan yüzünün yapabileceği sonsuz
09:23
of everything the human face is capable of doing.
205
545000
2000
hareketlerin oluşturulabileceğine inanıyordu.
09:25
And of course, these transcend age, race, culture, gender.
206
547000
3000
Ve tabi ki bunlar yaş, ırk, kültür, cinsiyeti aşan şeylerdi.
09:28
So this became the foundation of our research as we went forward.
207
550000
4000
Bu, biz ilerledikçe araştırmamızın temeli oldu.
09:32
And then we came across some remarkable technology
208
554000
3000
Ve sonra dikkat çekici
09:35
called Contour.
209
557000
1000
Contour isimli bir teknoloji ile karşılaştık.
09:36
And here you can see a subject having phosphorus makeup
210
558000
3000
Ve burada yüzüne nokta nokta fosforlu makyaj yaptıran
09:39
stippled on her face.
211
561000
2000
bir denek görebilirsiniz.
09:41
And now what we're looking at is really creating a surface capture
212
563000
3000
Ve şimdi baktığımız şey "işaret yakalayıcı"ya karşı
09:44
as opposed to a marker capture.
213
566000
2000
gerçek bir "yüzey yakalayıcı" yaratmak.
09:46
The subject stands in front of a computer array of cameras,
214
568000
2000
Denek bir dizi kamera içeren bir bilgisayarın karşısında duruyor
09:48
and those cameras can, frame-by-frame,
215
570000
2000
ve bu kameralar, kare kare
09:50
reconstruct the geometry of exactly what the subject's doing at the moment.
216
572000
3000
denek o anda ne yapıyorsa onun geometrisini yeniden kurabiliyor.
09:53
So, effectively, you get 3D data in real time of the subject.
217
575000
5000
Böylece denekle eş zamanda etkili bir şekilde üç boyutlu veri alabiliyorsunuz.
09:58
And if you look in a comparison,
218
580000
3000
Ve bir karşılaştırmaya bakarsanız,
10:01
on the left, we see what volumetric data gives us
219
583000
3000
solda, hacimsel verilerin bize verdiklerini görüyoruz
10:04
and on the right you see what markers give us.
220
586000
2000
ve sağda işaretleyicilerin bize ne verdiğini görüyorsunuz.
10:07
So, clearly, we were in a substantially better place for this.
221
589000
2000
Açıkçası, bunda diğerlerinden oldukça iyi bir yerdeydik.
10:09
But these were the early days of this technology,
222
591000
2000
Ama bunlar bu teknolojinin ilk günleriydi
10:11
and it wasn't really proven yet.
223
593000
2000
ve henüz gerçekten kanıtlanmamıştı.
10:13
We measure complexity and fidelity of data
224
595000
2000
Ama biz verilerin karışıklık ve uygunluklarını
10:15
in terms of polygonal count.
225
597000
2000
çokgen sayımı cinsinden yaparız.
10:17
And so, on the left, we were seeing 100,000 polygons.
226
599000
3000
Ve böylece, sol tarafta 100.000 çokgen görüyorduk.
10:20
We could go up into the millions of polygons.
227
602000
2000
Milyonlarca çokgene çıkabilirdik.
10:22
It seemed to be infinite.
228
604000
2000
Sonu yok gibi görünüyordu.
10:24
This was when we had our "Aha!"
229
606000
2000
Bu "işte!" dediğimiz zamandı.
10:26
This was the breakthrough.
230
608000
1000
Büyük buluş buydu.
10:27
This is when we're like, "OK, we're going to be OK,
231
609000
2000
Bu, "Tamam, iyi olacağız.
10:29
This is actually going to work."
232
611000
1000
Bu gerçekten işe yarayacak." dediğimiz zamandı.
10:30
And the "Aha!" was, what if we could take Brad Pitt,
233
612000
4000
Ve "işte!" dediğimiz şey şuydu; eğer Brad Pitt'i alsak
10:34
and we could put Brad in this device,
234
616000
3000
ve Brad'i bu alete koysak,
10:37
and use this Contour process,
235
619000
2000
Contour yöntemini kullanarak
10:39
and we could stipple on this phosphorescent makeup
236
621000
2000
ve be fosforumsu makyajı nokta nokta boyayarak uygulayıp
10:41
and put him under the black lights,
237
623000
1000
onu siyah ışıkların altına koysak
10:42
and we could, in fact, scan him in real time
238
624000
3000
aslında onu gerçek zamanda
10:45
performing Ekman's FACS poses.
239
627000
2000
Ekman'ın FACS pozlarını oynarken tarayabilirdik.
10:47
Right? So, effectively,
240
629000
2000
Öyle değil mi? Böylece, etkili bir şekilde
10:49
we ended up with a 3D database
241
631000
2000
elimizde Brad Pitt'in yüzünün yapabileceği her şeyin
10:51
of everything Brad Pitt's face is capable of doing.
242
633000
3000
3 boyutlu bir veritabanı elimize geçerdi.
10:54
(Laughter)
243
636000
2000
(Kahkahalar)
10:56
From there, we actually carved up those faces
244
638000
3000
Aslında buradan, bu yüzleri
10:59
into smaller pieces and components of his face.
245
641000
3000
daha küçük parça ve yapılarına ayrıştırdık.
11:02
So we ended up with literally thousands and thousands and thousands of shapes,
246
644000
3000
Böylece gerçekten binlerce ve binlerce ve binlerce şekil elde ettik.
11:05
a complete database of all possibilities
247
647000
3000
Yüzünün yapabileceklerinin tüm olasılıklarının
11:08
that his face is capable of doing.
248
650000
3000
eksiksiz bir veritabanı.
11:11
Now, that's great, except we had him at age 44.
249
653000
3000
Şimdi, bu müthiş, onun 44 yaşında olması dışında.
11:14
We need to put another 40 years on him at this point.
250
656000
3000
Bu noktada ona bir 40 yaş daha eklememiz gerekiyordu.
11:17
We brought in Rick Baker,
251
659000
2000
Rick Baker'ı getirdik,
11:19
and Rick is one of the great makeup and special effects gurus
252
661000
2000
ve Rick endüstrimizin büyük makyaj ve
11:21
of our industry.
253
663000
1000
özel efekt ustalarından biridir.
11:22
And we also brought in a gentleman named Kazu Tsuji,
254
664000
3000
Ve bir de Kazu Tsuji isimli bir beyefendiyi getirdik,
11:25
and Kazu Tsuji is one of the great photorealist sculptors of our time.
255
667000
3000
ve Kazu Tsuji zamanımızın müthiş fotoreal heykeltraşlarından biridir.
11:28
And we commissioned them to make a maquette,
256
670000
3000
Ve biz onları Benjamin'in bir maket ya da
11:31
or a bust, of Benjamin.
257
673000
2000
büstünü yapmaları için görevlendirdik.
11:33
So, in the spirit of "The Great Unveiling" -- I had to do this --
258
675000
3000
Şöyle ki, "Yüce Örtü Açma" ruhu adına -- bunu yapmak zorundaydım --
11:36
I had to unveil something.
259
678000
2000
bir şeyin örtüsünü kaldırmalıydım.
11:38
So this is Ben 80.
260
680000
2000
Sonuç olarak, bu 80'lik Ben.
11:40
We created three of these:
261
682000
2000
Bunlardan üç tane yarattık.
11:42
there's Ben 80, there's Ben 70, there's Ben 60.
262
684000
2000
80'lik Ben var, 70'lik Ben var, 60'lık Ben var.
11:44
And this really became the template for moving forward.
263
686000
3000
Ve bu gerçekten ilerlemenin bir şablonu haline geldi.
11:47
Now, this was made from a life cast of Brad.
264
689000
2000
Şimdi bu, Brad' in vücut kaplamalarından yapılmıştı.
11:49
So, in fact, anatomically, it is correct.
265
691000
3000
Böylece anatomik olarak aslında doğru.
11:52
The eyes, the jaw, the teeth:
266
694000
3000
Gözler, çene, dişler ...
11:55
everything is in perfect alignment with what the real guy has.
267
697000
3000
her şey gerçek adamınkilerle mükemmel bir şekilde uyuşmakta.
11:58
We have these maquettes scanned into the computer
268
700000
2000
Yüksek bir çözünürlükte, bu maketleri
12:00
at very high resolution --
269
702000
2000
bilgisayarda tarattık.
12:02
enormous polygonal count.
270
704000
2000
Muazzam sayıda çokgen.
12:04
And so now we had three age increments of Benjamin
271
706000
4000
Ve böylece Benjamin'in üç tane yaş artışını
12:08
in the computer.
272
710000
2000
bilgisayarda elde ettik.
12:10
But we needed to get a database of him doing more than that.
273
712000
3000
Ama onun bundan daha fazla yapabileceklerini içeren bir veritabanına ihtiyacımız oldu.
12:13
We went through this process, then, called retargeting.
274
715000
3000
Daha sonraları "yeniden hedeflenme" olarak isimlendirilecek bir yöntem izledik.
12:16
This is Brad doing one of the Ekman FACS poses.
275
718000
2000
Bu, Ekman FACS pozlarından birini yapan Brad.
12:18
And here's the resulting data that comes from that,
276
720000
3000
Ve burada da bundan gelen veriler var,
12:21
the model that comes from that.
277
723000
2000
bir de bu verilerden gelen model,
12:23
Retargeting is the process of transposing that data
278
725000
3000
ve "yeniden hedefleme" de bu verileri
12:26
onto another model.
279
728000
2000
başka bir modele aktarma işlemi.
12:28
And because the life cast, or the bust -- the maquette -- of Benjamin
280
730000
3000
Ve Benjamin'in vücut kaplaması ya da büstü -- maketi --
12:31
was made from Brad,
281
733000
2000
Brad'den yapılmış olduğu için,
12:33
we could transpose the data of Brad at 44
282
735000
3000
44 yaşındaki Brad'in verilerini
12:36
onto Brad at 87.
283
738000
2000
87 yaşındaki Brad'e aktarabiliyorduk.
12:38
So now, we had a 3D database of everything Brad Pitt's face can do
284
740000
3000
Böylece şimdi, Brad Pitt'in yüzünün 87 yaşında, 70'lerinde ve 60'larında
12:41
at age 87, in his 70s and in his 60s.
285
743000
4000
yapabileceği her şeyin 3 boyutlu veritabanına sahiptik.
12:45
Next we had to go into the shooting process.
286
747000
3000
Sonra çekim işlemlerini yapmamız gerekiyordu.
12:48
So while all that's going on,
287
750000
1000
Tüm bunlar olurken,
12:49
we're down in New Orleans and locations around the world.
288
751000
2000
New Orleans ve dünya etrafındaki diğer mekanlara gittik.
12:51
And we shot our body actors,
289
753000
2000
Ve vücut oyuncularımızı çektik
12:53
and we shot them wearing blue hoods.
290
755000
2000
ve onları mavi başlıklar giyerken çektik.
12:55
So these are the gentleman who played Benjamin.
291
757000
2000
İşte bu Benjamin'i oynayan beyefendi.
12:57
And the blue hoods helped us with two things:
292
759000
2000
Ve mavi başlıklar bize iki şeyde yardım etti:
12:59
one, we could easily erase their heads;
293
761000
2000
birincisi, kafalarını kolayca silebiliyorduk
13:01
and we also put tracking markers on their heads
294
763000
2000
ve bir de kafalarına izleyici işaretleyiciler taktık,
13:03
so we could recreate the camera motion
295
765000
2000
böylece kamera hareketini ve lens optiğini
13:05
and the lens optics from the set.
296
767000
2000
vücuttan tekrar yaratabiliyorduk.
13:07
But now we needed to get Brad's performance to drive our virtual Benjamin.
297
769000
3000
Ama şimdi görsel Benjaminimizi kullanmamız için Brad'in performansına ihtiyacımız vardı.
13:10
And so we edited the footage that was shot on location
298
772000
2000
Ve böylece stüdyo dışında geriye kalan film oyuncuları
13:12
with the rest of the cast and the body actors
299
774000
3000
ve vücut oyuncularıyla çekilmiş olan filmi hazırladık
13:15
and about six months later
300
777000
2000
ve yaklaşık altı ay sonra
13:17
we brought Brad onto a sound stage in Los Angeles
301
779000
3000
Brad'i Los Angeles'taki bir ses sahnesine getirdik
13:20
and he watched on the screen.
302
782000
3000
ve o, ekranda izledi
13:23
His job, then, was to become Benjamin.
303
785000
2000
ve onun işi bundan sonra Benjamin haline gelmekti.
13:25
And so we looped the scenes.
304
787000
1000
Ve böylece sahneleri bir araya getirdik.
13:26
He watched again and again.
305
788000
1000
Hepsini tekrar tekrar izledi.
13:27
We encouraged him to improvise.
306
789000
2000
Onu doğaçlama yapması konusunda cesaretlendirdik.
13:29
And he took Benjamin into interesting and unusual places
307
791000
3000
Ve o Benjamin'i, bizim gitmeyeceğini düşündüğümüz
13:32
that we didn't think he was going to go.
308
794000
2000
ilginç ve sıradışı yerlere götürdü.
13:34
We shot him with four HD cameras
309
796000
2000
Onu dört HD kamerasıyla çektik.
13:36
so we'd get multiple views of him
310
798000
1000
böylece onun birçok görünüşünü elde edecektik
13:37
and then David would choose the take of Brad being Benjamin
311
799000
3000
ve sonra David diğer oyuncularla beraber,
13:40
that he thought best matched the footage
312
802000
3000
filmle en çok örtüştüğünü düşündüğü
13:43
with the rest of the cast.
313
805000
1000
Brad'in Benjamin halindeki çekimlerini seçecekti.
13:44
From there we went into a process called image analysis.
314
806000
3000
Buradan görüntü analizi adı verilen bir yönteme gittik.
13:47
And so here, you can see again, the chosen take.
315
809000
3000
Ve böylece burada, yine, seçilmiş çekimi görebilirsiniz.
13:50
And you are seeing, now, that data being transposed on to Ben 87.
316
812000
3000
Ve şimdi Ben 87'ye aktarılmakta olan verileri görüyoruz.
13:53
And so, what's interesting about this is
317
815000
3000
Ve bunda ilginç olan şey şu,
13:56
we used something called image analysis,
318
818000
2000
görüntü analizi denilen bir şey kullandık
13:58
which is taking timings from different components of Benjamin's face.
319
820000
3000
bu Benjamin'in yüzünün farklı elemanlarından zaman birimleri almaktı.
14:01
And so we could choose, say, his left eyebrow.
320
823000
3000
Ve böylece onun, diyelim ki, sağ kaşını seçebiliyorduk.
14:04
And the software would tell us that, well,
321
826000
2000
Ve bilgisayar yazılımı bize şöyle diyebiliyordu;
14:06
in frame 14 the left eyebrow begins to move from here to here,
322
828000
2000
14. karede sol kaş buradan buraya hareket etmeye başladı
14:08
and it concludes moving in frame 32.
323
830000
2000
ve hareketini 32. karede tamamladı.
14:10
And so we could choose numbers of positions on the face
324
832000
2000
Ve böylece bundan verileri almak için
14:12
to pull that data from.
325
834000
2000
yüzdeki pozisyonların numaralarını seçebiliyorduk.
14:14
And then, the sauce I talked about with our technology stew --
326
836000
2000
Ve sonra, teknoloji türlümüzdeki bahsettiğim sos,
14:16
that secret sauce was, effectively, software that allowed us to
327
838000
3000
gizli sos, etkili bir şekilde Brad'in canlı performansını
14:19
match the performance footage of Brad
328
841000
3000
veritabanımızdaki yaşlanmış Benjamin ile,
14:22
in live action with our database of aged Benjamin,
329
844000
4000
elde ettiğimiz FACS şekilleri ile
14:26
the FACS shapes that we had.
330
848000
2000
eşleştirmemizi sağlayan bilgisayar yazılımıydı.
14:28
On a frame-by-frame basis,
331
850000
3000
Kare kare temelinde
14:31
we could actually reconstruct a 3D head
332
853000
3000
aslında Brad' in performansıyla kesin bir şekilde uyuşan
14:34
that exactly matched the performance of Brad.
333
856000
3000
3 boyutlu bir kafa yaratabildik.
14:37
So this was how the finished shot appeared in the film.
334
859000
3000
Böylece bu da bitmiş çekimin filmde nasıl ortaya çıktığıydı.
14:40
And here you can see the body actor.
335
862000
2000
Ve burada vücut oyuncusunu görebilirsiniz.
14:42
And then this is what we called the "dead head," no reference to Jerry Garcia.
336
864000
3000
Ve sonra bu bizim "ölü kafa" diye adlandırdığımız şeydi, Jerry Garcia'ya atıfta bulunmuyorum.
14:45
And then here's the reconstructed performance
337
867000
3000
Ve sonra burada da, şimdi, performansın zaman kesitleriyle birlikte olan
14:48
now with the timings of the performance.
338
870000
3000
yeniden biçimlendirilmiş performans var.
14:51
And then, again, the final shot.
339
873000
2000
Ve sonra, yine final çekimi.
14:54
It was a long process.
340
876000
2000
Çok uzun bir işlemdi.
14:56
(Applause)
341
878000
3000
(Alkışlar)
15:07
The next section here, I'm going to just blast through this,
342
889000
2000
Burada bir sonraki bölüm, bunun üzerinden hızlıca geçeceğim,
15:09
because we could do a whole TEDTalk on the next several slides.
343
891000
4000
çünkü bundan sonraki sayılı slaytlar hakkında ayrıca bir TEDTalk yapabiliriz.
15:13
We had to create a lighting system.
344
895000
3000
Bir ışıklandırma sistemi oluşturmak zorundaydık.
15:16
So really, a big part of our processes was creating a lighting environment
345
898000
3000
Şöyleki, gerçekten, işlemlerimizin büyük bir kısmı
15:19
for every single location that Benjamin had to appear
346
901000
2000
Benjamin'in belirmek zorunda olduğu tüm yerlerde bir ışıklandırma ortamı yaratmaktı,
15:21
so that we could put Ben's head into any scene
347
903000
3000
böylece Ben' in kafasını herhangi bir sahneye koyabilirdik
15:24
and it would exactly match the lighting that's on the other actors
348
906000
3000
ve bu gerçek dünyadaki diğer aktörlerin üzerinde kullanılan ışıklandırmayla
15:27
in the real world.
349
909000
1000
birebir örtüşürdü.
15:28
We also had to create an eye system.
350
910000
3000
Aynı zamanda bir göz sistemi oluştumak zorundaydık.
15:31
We found the old adage, you know,
351
913000
2000
Atasözünü bilirsiniz,
15:33
"The eyes are the window to the soul,"
352
915000
2000
"Gözler ruhun penceresidir"
15:35
absolutely true.
353
917000
1000
bu kesinlikle doğru.
15:36
So the key here was to keep everybody looking in Ben's eyes.
354
918000
2000
Böylece buradaki kilit nokta, herkesi Ben'in gözlerinin içine bakar şekilde tutmaktı.
15:38
And if you could feel the warmth, and feel the humanity,
355
920000
2000
Ve eğer sıcaklığı hissedebildiyseniz, ve insancıllığı,
15:40
and feel his intent coming through the eyes,
356
922000
3000
ve gözlerinden okunan amacını hissedebildiyseniz
15:43
then we would succeed.
357
925000
1000
bu başarılı olacağız demektir.
15:44
So we had one person focused on the eye system
358
926000
3000
Böylece neredeyse iki tam yıl boyunca,
15:47
for almost two full years.
359
929000
2000
göz sistemine yoğunlaşmış bir adamımız vardı.
15:49
We also had to create a mouth system.
360
931000
2000
Ayrıca bir ağız sistemi oluşturmalıydık.
15:51
We worked from dental molds of Brad.
361
933000
2000
Brad'in diş yapılarından çalıştık.
15:53
We had to age the teeth over time.
362
935000
2000
Zaman boyunca dişleri yaşlandırmalıydık.
15:55
We also had to create an articulating tongue that allowed him to enunciate his words.
363
937000
3000
Ayrıca, kelimelerini telaffuz edebilmesi için anlaşılır bir dil yaratmamız gerekiyordu.
15:58
There was a whole system written in software to articulate the tongue.
364
940000
2000
Yazılımda dili anlaşılır hale getirmek için yazılmış ayrı bir sistem vardı.
16:00
We had one person devoted to the tongue for about nine months.
365
942000
2000
Yaklaşık altı ay boyunca dile tahsis edilmiş bir adamımız vardı.
16:02
He was very popular.
366
944000
2000
Çok popülerdi.
16:04
Skin displacement: another big deal.
367
946000
3000
Deri değişimi: başka bir uğraştı.
16:07
The skin had to be absolutely accurate.
368
949000
2000
Deri kesinlikle sahici olmalıydı,
16:09
He's also in an old age home, he's in a nursing home
369
951000
3000
ve o bir de yaşlılar evindeydi, bir huzurevinde
16:12
around other old people,
370
954000
2000
diğer yaşlı insanlarla beraberdi,
16:14
so he had to look exactly the same as the others.
371
956000
2000
bu yüzden tam olarak diğerleri gibi görünmesi gerekiyordu.
16:16
So, lots of work on skin deformation,
372
958000
1000
Şöyle ki deri bozulması çok iş gerektiriyor,
16:17
you can see in some of these cases it works,
373
959000
1000
bazı durumlarda görürsünüz ki işe yaramıştır
16:18
in some cases it looks bad.
374
960000
1000
bazı durumlarda kötü görünmüştür,
16:19
This is a very, very, very early test in our process.
375
961000
2000
bu bizim sürecimizdeki çok çok çok erken testlerden.
16:21
So, effectively we created a digital puppet
376
963000
3000
Etkili bir şekilde dijital bir kukla yarattık,
16:24
that Brad Pitt could operate with his own face.
377
966000
3000
böylece Brad Pitt kendi yüzü üzerinde çalışabilecekti.
16:27
There were no animators necessary to come in and interpret behavior
378
969000
4000
Gelip, davranış yorumlayacak ya da performansını arttıracak
16:31
or enhance his performance.
379
973000
2000
hiçbir animatöre gerek yoktu.
16:33
There was something that we encountered, though,
380
975000
3000
Aslında, sonunda "dijital Botox etkisi" diye adlandıracağımız
16:36
that we ended up calling "the digital Botox effect."
381
978000
3000
bir şey oluşturmuştuk.
16:39
So, as things went through this process,
382
981000
3000
Böylece işler bu süreç çerçevesinde ilerlediğinde,
16:42
Fincher would always say, "It sandblasts the edges off of the performance."
383
984000
3000
Fincher her zaman şöyle dedi "Bu, performansın köşelerini kum püskürterek yavaş yavaş yuvarlaklaştırıyor."
16:45
And thing our process and the technology couldn't do,
384
987000
3000
Ve yöntemimizin ve teknolojimizin yapamadığı tek şey vardı;
16:48
is they couldn't understand intent,
385
990000
3000
amacı anlayamıyordu,
16:51
the intent of the actor.
386
993000
2000
oyuncunun niyetini.
16:53
So it sees a smile as a smile.
387
995000
2000
Bu yüzden bir gülümsemeyi gülümseme olarak görüyordu.
16:55
It doesn't recognize an ironic smile, or a happy smile,
388
997000
3000
Alaycı bir gülümsemeyi veya mutlu bir gülümsemeyi fark edemiyordu
16:58
or a frustrated smile.
389
1000000
1000
veya hüsran dolu bir gülümsemeyi.
16:59
So it did take humans to kind of push it one way or another.
390
1001000
3000
Bu da insanları ya o tarafta ya da bu tarafta olmaya itiyordu.
17:02
But we ended up calling the entire process
391
1004000
3000
Ama sonunda tüm yönteme
17:05
and all the technology "emotion capture,"
392
1007000
2000
ve bütün teknolojiye "his yakalama" dedik,
17:07
as opposed to just motion capture.
393
1009000
1000
"hareket yakalama"nın tam karşıtı olarak.
17:08
Take another look.
394
1010000
2000
Bir de şimdi bakın.
17:11
Brad Pitt: Well, I heard momma and Tizzy whisper,
395
1013000
2000
Brad Pitt: Şöyle ki, annnem ile Tizzy'nin fısıldaştıklarını duydum
17:13
and they said I was gonna die soon,
396
1015000
2000
ve yakında öleceğimi söylediler,
17:15
but ... maybe not.
397
1017000
2000
ama... belki ölmem.
17:37
EU: That's how to create a digital human in 18 minutes.
398
1039000
3000
Ed Ulbrich: 18 dakikada dijital bir insan işte böyle yaratılır.
17:40
(Applause)
399
1042000
3000
(Alkışlar)
17:48
A couple of quick factoids;
400
1050000
2000
Hızlıca birkaç gerçekten bahsetmek istiyorum.
17:50
it really took 155 people over two years,
401
1052000
4000
Bu gerçekten 155 insanın iki yıldan fazla zamanını aldı
17:54
and we didn't even talk about 60 hairstyles and an all-digital haircut.
402
1056000
4000
ve 60 saç şekli ve tamamen dijital bir saç kesiminden bahsetmedik bile.
17:58
But, that is Benjamin. Thank you.
403
1060000
3000
Ama, işte Benjamin. Teşekkür ederim.
ABOUT THE SPEAKER
Ed Ulbrich - Visual storytellerEd Ulbrich works at the leading edge of computer-generated visuals. On a recent project, filmmakers, artists, and technologists have been working at a breakthrough point where reality and digitally created worlds collide.
Why you should listen
Ed Ulbrich spoke at TED2009 representing a team of filmmakers, artists and technologists who've been working on a significant breakthrough in visual storytelling -- a startling blurring of the line between digital creation and actor.
Ulbrich was the long time executive VP of production at Digital Domain, for whom he executive-produced Academy Award-winning visual effects for Titanic, What Dreams May Come, Fight Club, Zodiac, Adaptation and other features, as well as music videos and more than 500 commercials. He has recently exited this position but has entered into a creative consultant arrangement with the company. In 2007, he was named to the Creativity 50 -- top innovators in advertising and design.
Ed Ulbrich | Speaker | TED.com