Lekcja 3.2
Obrazy, wideo i muzyka z AI
Jak z szumu powstaje zdjęcie, którego nigdy nie zrobiono?
3.2Obrazy, wideo i muzyka z AI
Chatbot pisze tekst słowo po słowie. A jak AI tworzy obraz? Tu czeka nas zaskoczenie: wiele generatorów zaczyna od czystego szumu, jak śnieg w starym telewizorze, i krok po kroku wydobywa z niego obraz pasujący do opisu.
Każdy rozdział zaczyna się prosto. Chcesz więcej? Otwórz Zaawansowany, a w nim Ekspert.
Obraz z szumu
Generator obrazów dostaje Twój opis, na przykład „kot w kosmicznym hełmie”, i zaczyna od przypadkowych kropek. W kolejnych krokach usuwa szum, aż pojawi się obraz pasujący do opisu.
Zobaczysz to na żywo w widgecie z tej lekcji: z szarego szumu wyłania się krajobraz.
Wyobraź to sobie tak
„Dyfuzja przypomina stopniowe wydobywanie rysunku z zaparowanej szyby — choć model nie odsłania gotowego obrazu, tylko w każdym kroku oblicza, jak usunąć trochę szumu.”
Takie generatory to modele dyfuzyjne. Podczas treningu do prawdziwych obrazów stopniowo dodaje się szum, a model uczy się przewidywać, jaki szum został dodany. Generowanie to odwrócenie tego procesu: od szumu, krok po kroku, do obrazu.
Opis tekstowy steruje każdym krokiem — to tak zwane warunkowanie. W dyfuzji latentnej cała praca odbywa się w skompresowanej reprezentacji obrazu, a dopiero na końcu dekoder zamienia ją w piksele, co mocno zmniejsza koszt obliczeń.
Częsty błąd
Generator skleja gotowe fragmenty cudzych zdjęć.
Jak jest naprawdę
Zwykle tworzy obraz z wyuczonych parametrów, choć zapamiętanie i odtworzenie fragmentów danych treningowych jest możliwe.
DDPM (Ho i in., 2020) opiera trening na przewidywaniu składnika szumowego. Latent Diffusion Models (Rombach i in., 2022) przeniosły dyfuzję do przestrzeni autoenkodera — na tej idei zbudowano Stable Diffusion.
Classifier-free guidance (Ho i Salimans, 2022) wzmacnia wpływ opisu na wynik; zbyt duża siła ogranicza jednak różnorodność i powoduje artefakty. Liczba kroków i wybrany sampler wpływają na koszt i jakość.
Zapis formalny
xₜ = √ᾱₜ·x₀ + √(1−ᾱₜ)·ε
Ruch i dźwięk
Z opisu da się dziś wygenerować także krótki film, piosenkę czy głos lektora. Wideo jest trudniejsze od obrazu, bo każda klatka musi pasować do poprzedniej — inaczej postać zmieniałaby twarz co sekundę.
Muzyka wymaga z kolei porządku w czasie: rytmu, melodii i powtórzeń, które brzmią sensownie dla ucha.
Generatory wideo pracują na reprezentacjach obejmujących jednocześnie przestrzeń i czas, żeby zachować spójność między klatkami. Generatory muzyki często zamieniają dźwięk na tokeny i przewidują je podobnie jak model językowy — słowa.
Nie każdy generator działa tak samo: jedne używają dyfuzji, inne przewidywania kolejnych tokenów, a jeszcze inne łączą oba podejścia.
MusicGen (Copet i in., 2023) przewiduje tokeny skompresowanego dźwięku, sterowane opisem tekstowym lub melodią. Raport o modelu Sora (2024) opisywał generowanie wideo na reprezentacjach przestrzenno-czasowych.
Efektowna próbka nie dowodzi poprawnej symulacji fizyki: generatory wideo wciąż mylą trwałość obiektów, przyczynowość i liczenie. To ważne, gdy taki materiał udaje nagranie prawdziwych zdarzeń.
Piękne, ale czy prawdziwe i czy wolno?
Generator nie zawsze rozumie świat: potrafi narysować dłoń z sześcioma palcami albo napis, który nie ma sensu. Ale z każdym rokiem takich błędów jest mniej.
Ładny wynik nie dowodzi, że scena wydarzyła się naprawdę. I nie wolno dowolnie używać czyjegoś wizerunku ani głosu — o podróbkach porozmawiamy w lekcji o deepfake'ach.
Generując obrazy, warto sprawdzić szczegóły (dłonie, tekst, proporcje), oznaczyć, że obraz powstał z AI, i upewnić się, że nie narusza się praw innych osób — zwłaszcza wizerunku i znaków towarowych.
Prawa autorskie do treści generowanych przez AI to obszar wciąż kształtowany przez sądy i przepisy. W lekcji „Uczciwie i odpowiedzialnie” wrócimy do tego, jak bezpiecznie korzystać z takich narzędzi.
- 1Opisz, czego potrzebujesz
- 2Wygeneruj kilka wariantów
- 3Sprawdź szczegóły
- 4Oznacz obraz i sprawdź prawa
Badania nad zapamiętywaniem w modelach dyfuzyjnych (Carlini i in., 2023) pokazały, że w rzadkich przypadkach można z nich odtworzyć obrazy bardzo bliskie danym treningowym — zwłaszcza często powielanym. To argument za deduplikacją danych i filtrowaniem wyników.
Od 2 sierpnia 2026 roku art. 50 AI Act wymaga, by treści syntetyczne były oznaczane w formie czytelnej maszynowo, a deepfake'i — wyraźnie ujawniane odbiorcom.
Zapamiętaj
- Modele dyfuzyjne tworzą obraz, stopniowo usuwając szum.
- AI generuje dziś wideo z dźwiękiem i całe piosenki.
- Treści z AI powinny być oznaczane — mówi o tym AI Act.
Od szumu do obrazu
seed 1337
Krok odszumiania
Najpierw wyłaniają się duże plamy kolorów i kompozycja, a szczegóły pojawiają się na końcu. Tak właśnie pracuje model dyfuzyjny: w każdym kroku przewiduje, jaki szum usunąć, a Twój opis steruje kierunkiem. (Tu dla czytelności odsłaniamy gotowe zdjęcie.)
Ciekawostka
W 2018 roku portret „Edmond de Belamy” stworzony przez sieć GAN sprzedano na aukcji Christie's za 432 500 dolarów — ok. 45 razy więcej niż górna granica szacunku.
W liczbach
432 500 $
cena portretu z AI na aukcji Christie's (2018)
Źródło: Christie's
Ewaluacja · 3 pytania
Sprawdź się
Od czego zaczyna model dyfuzyjny?
Dokąd dalej
Następny przystanek: Agenci AI
Generatory obrazów wydobywają obraz z szumu, generatory wideo i muzyki dbają o spójność w czasie, a każdy taki wynik warto sprawdzić i oznaczyć.
Na razie AI odpowiadała i tworzyła na nasze polecenie. A gdyby sama planowała kolejne kroki i wykonywała je za nas? W następnej lekcji poznasz agentów AI.