NHL sięga po romansowe audiobooki, gdy twórcy AI wideo walczą o uwagę

Narodowa Liga Hokejowa zaczęła w tym tygodniu publikować krótkie, romansowe historie audio o swoich zawodnikach. Niektórzy pisarze, których klub poprosił o współpracę, publicznie odmówili udziału. Portal WIRED poinformował w piątek o pierwszej partii materiałów, będącej częścią kampanii „Hot for Hockey”. Zespół ligowy kontaktował się z popularnymi autorkami romansów hokejowych, by te napisały i nagłośniły fragmenty trwające od 60 do 90 sekund dla platform audiobookowych.

Opowieści nie są typowymi romansami. Czytają się jak notki na okładkach, mające sprzedać bilety.

WIRED przytoczył pełny tekst jednego z utworów, zatytułowanego „Lato, w którym stałem się twardzielem z Trevorem Zegrasem”: „Trevor Zegras przyjechał do Filadelfii szukając nowego początku. Ale po walce z Pittsburghiem w playoffach rok temu, odkrył, jak twarda może być gra. Po jednym gorącym lecie, przystojniak z Philly wygląda o wiele twardziej”. Pierwsza partia obejmuje również Sebastiana Aho z Carolina Hurricanes oraz Jacka Eichela z Vegas Golden Knights, według WIRED. Autorką jest C.R. Jane, pisarka znana z serii Pucking Wrong.

Nie wszyscy w gatunku są zadowoleni. Emily Rath, bestsellerowa autorka romansów hokejowych, napisała na Threads, że liga z nią kontaktowała i że „nigdy tak szybko nie odrzuciła oferty”, jak relacjonował WIRED. Rath stwierdziła, że prezentacja kampanii zawierała żarty, które uważa za parodię gatunku, oraz rzekome renderingsi okładek wygenerowane przez AI. Chelsea Curto, autorka serii D.C. Stars, również zwróciła uwagę na grafikę z AI, pisząc, że dobrze, iż odmówiła, bo jej książki „mogą być bardzo krytyczne wobec ligi”.

Rzecznik NHL, Jon Weinstein, powiedział WIRED, że kampania to „zabawny ukłon w stronę czegoś, co wyraźnie dzieje się w kulturowym zewzrocie”. Dodał, że liga jest „bardzo dumna ze współpracy z prawdziwymi autorami, ilustratorami i lektorami z branży”.

Strona wizualna nie zwalnia

Historia NHL to użyteczne przypomnienie, że treści generowane lub wspomagane AI są teraz rutynową częścią marketingu dużych organizacji, a odbiorcy to zauważają. Po stronie modeli ostatni tydzień przyniósł solidny strumień premier skierowanych na pracę z wideo i obrazami.

Ideogram ogłosiło 1 października, że nowy model Ideogram 4.5 potrafi edytować część obrazu, nie zmieniając reszty. To problem, na który, jak twierdzi firma, nadal cierpią wiodące modele, takie jak GPT-Image 2.5 i Nano Banana, pozostawiające artefakty po wielokrotnych edycjach. The Decoder donosi, że model jest dostępny w czterech poziomach jakości, kosztujących od 0,8 do 22 centów za obraz w natywnej rozdzielczości 2K. Dostępny jest teraz na platformie i API Ideogramu, a partnerami są m.in. Picsart, Runway, Pika i Leonardo AI. Zapowiedziano rychłe wydanie otwartych wag.

Tymczasem Tavus wprowadziło Griffin, które nazywa pierwszym „Modelem Interakcji Ludzkiej”. System przetwarza mowę, wyrazy twarzy, ton, gesty i pauzy, jednocześnie odbierając i generując wideo. Według The Decoder, 48 procent uczestników badania Tavus uważało Griffin za prawdziwą osobę po jednowymiarowej rozmowie wideo, podczas gdy poprzedni rekord wynosił dwa procent. W teście opisanym przez Tavus jako niezależna ocena Nvidii, mierząca, jak ludzkie jest AI w bezpośredniej rozmowie audio-wideo, Griffin uzyskało 3,83 punktu, wobec 3,92 dla rzeczywistych ludzi i 2,80 dla poprzedniego najlepszego modelu AI.

Podgląd o nazwie Griffin-Lite jest otwarty dla „wybranych testerów jako podgląd badawczy”, a pełniejsza wersja ma nadejść, gdy „zagrożenia bezpieczeństwa zostaną zaadresowane”, donosi The Decoder. Tavus wymienia jako możliwe zastosowania korepetycje, ćwiczenie trudnych rozmów oraz wsparcie techniczne oparte na kamerze.

Modele głosowe i decyzyjne trafiają w to samo okno

Microsoft AI wypuściło nowe modele mowy 2 października. Według The Decoder, MAI-Transcribe-2-Streaming transkrybuje 60 języków i zwraca pierwsze częściowe wyniki w nieco ponad 100 milisekundach. Microsoft twierdzi, że pozwala to agentom głosowym odpowiadać, gdy osoba jest jeszcze w połowie zdania. Godzina audio kosztuje 0,54 dolara po cenie promocyjnej do końca roku. Dwa nowe modele text-to-speech, MAI-Voice-2.1 i MAI-Voice-2.1-Flash, obsługują 23 języki w tym samym głosie, przy czym wariant Flash ma opóźnienie 150 milisekund i kosztuje 15 dolarów za milion znaków zamiast 22. Oba mogą sklonować głos z kilku sekund nagrań referencyjnych. W jednym z testów przytoczonym przez The Decoder około połowa z 4 000 uczestników pomyślała, że głosy należą do prawdziwej osoby.

Modele decyzyjne mają swój własny moment. Amazon Web Services wydało Strands Decider 2B, model open source, który sortuje między wcześniej ustalonymi opcjami i zwraca miarę pewności, donosi TechCrunch z 1 października. Zbudował go wyróżniony inżynier Marc Brooker, po tym jak zobaczył Jev od TypeSafe, i krótko znajdował się na szczycie rankingu Jevbench dla modeli tej wielkości. „Co pierwotnie wzbudziło moją ciekawość w tej klasie modeli, to że są idealnym decyderem dla kroku w workflow”, powiedział Brooker TechCrunch.

Własne Jev od TypeSafe, wydane 1 października według InfoQ, zwraca typowane decyzje probabilistyczne zamiast tekstu. Kosztuje 0,042 dolara za milion tokenów wejściowych, przy darmowym wyjściu, ma okno kontekstu 32 000 tokenów i cytowane opóźnienie end-to-end od 70 do 500 milisekund. Inżynier Vercel, Pranit Sharma, odkrył, że klasyfikator bezpieczeństwa działał od pięciu do 18 razy szybciej niż zastępowany przez niego LLM. Analiza 12 759 tweetów o premierze przez OpenChamber oszacowała zgłaszane przez użytkowników przyspieszenie na medianę 7x, wobec nagłówkowego 193,6x, oszczędności kosztów na medianę 30x, a opóźnienie na medianę 76 ms.

Cloudflare odpowiedziało 1 października modelem Clef i Clef-flash, otwartymi modelami decyzyjnymi, które mogą również obsługiwać obrazy i wideo i wspierają okno kontekstu 64 000, donosi The Register. Cloudflare twierdzi, że Clef kosztuje 0,24 dolara za milion tokenów, niemal sześć razy więcej niż cena Jev. Firma samodzielnie zgłosiła swoje wyniki benchmarków, które nie zostały jeszcze odtworzone na oficjalnym Decision Index, zauważył The Register.

Google Gemini 4 Argon, ogłoszone 30 września, jest ograniczane do zweryfikowanej grupy partnerów ds. cyberbezpieczeństwa w ramach programu Fairwind firmy. „Bezpieczne wydawanie możliwości frontier na tym poziomie wymaga podejścia etapowego”, napisał Koray Kavukcuoglu, główny architekt AI w Google, w poście na blogu przytoczonym przez The Guardian. TechCrunch donosi, że Google twierdzi, iż Argon pokonało OpenAI GPT-6 Astra oraz modele Fable i Opus od Anthropic na kilku benchmarkach, powołując się na startup Vals.

W kwestii praw autorskich Anthropic wezwała australijski rząd do rozważenia „warunkowej akceptacji” treningu na australijskich dziełach chronionych prawem autorskim na modelu opt-out, według zgłoszenia doniesionego przez The Guardian. ABC i SBS zaprotestowały, przy czym ABC ostrzegła przed „kanibalizacją australijskiego przemysłu informacyjnego” i zaapelowała, by firmy AI podlegały tym samym przepisom o prawach autorskich, diffamacji i prywatności co media.

OpenAI poinformowało, że zakłóciło kampanię „adwersarialnej destylacji”, która rozpoczęła się na początku lipca i osiągnęła szczyt z 16 000 zapytań od ponad 4 000 użytkowników w ciągu dwóch dni. Przypisała kluczowy klaster osobom związanym z chińską Moonshot AI, donosi CNBC. The Register zauważył, że OpenAI nie podało, które z jego modeli były celem, a Moonshot nie odpowiedział na prośbę o komentarz.