Fabrício Carraro
@fabriciocarraro • 5,383 subscribers
Viajante, poliglota, autor de IA e host dos podcasts Carreira Sem Fronteiras e IA Sob Controle 🤖 TEDx Speaker | AI Developer Advocate | Google AI Community
Videos
Fiquei oficialmente CHOCADO com a nova feature de tradução por IA da Meta! Ontem, scrolando o feed do Instagram, me deparei com um vídeo de uma influencer falando português. Até aí, tudo normal. O tom de voz era natural, a fluidez estava lá... foi aí que notei a opção: "Meta AI Translation". Cliquei e, pra minha surpresa, o vídeo original era em espanhol! 🤯 Não é apenas uma tradução de legenda. A IA da Meta está fazendo a dublagem mantendo o timbre de voz da pessoa e, aparentemente, até ajustando o movimento dos lábios (lip-sync). A qualidade é tão alta que engana fácil numa primeira olhada. Por enquanto, parece que estão fazendo testes A/B e liberando aos poucos (já vi vídeos com essa tradução em inglês e hindi também), mas as implicações disso podem ser gigantescas. A barreira do idioma pra consumo de conteúdo praticamente deixa de existir. Vamos poder consumir vídeos da Ásia, Europa ou EUA como se fossem feitos aqui. O caminho inverso também é verdadeiro: criadores e educadores brasileiros vão poder exportar conteúdo pra gringa (EUA, Europa, Japão) de maneira muito mais fácil, e a pessoa que assistir, nem vai saber que o influencer original era brasileiro. Claro, depois que você sabe que é IA, você começa a notar os detalhes, mas pra um "scroll" despretensioso e uma primeira versão desse modelo, é realmente BEM impressionante. Deixo o vídeo aqui embaixo pra vocês tirarem a prova (esse é o que apareceu pra mim).
Fabrício Carraro30,504 次观看 • 7 个月前
O lançamento mais viral de IA da última semana foi, sem dúvidas, o novo modelo Seedance 2.0 de geração de vídeos, criado pela chinesa ByteDance (dona do Tik Tok), que fez todo mundo esquecer do Veo e do Sora. Os vídeos viralizaram absurdamente, tanto pela qualidade (HD, 2K), mas principalmente pela consistência de tudo (rostos, expressões, lip sync) e o estilo cinematográfico e multimodal, com jogo de câmeras, vozes excelentes e trilha sonora de fundo. Claro, tudo isso só é possível por eles serem quem são, e terem uma quantidade quase infinita de vídeos de alta qualidade com áudio (vindos do Tik Tok, do Douyin) pra treinar os modelos. Além disso, a grande vantagem pro usuário final é a capacidade multimodal de ingestão de contexto do modelo. Dá pra mandar pra ele, simultaneamente: - Até 9 imagens (pra definir personagens, cenários, paletas de cor) - Até 3 vídeos de referência (pra copiar movimentos de câmera ou coreografias) - Até 3 faixas de áudio - E claro, o prompt de texto pra amarrar tudo Ou seja, é menos aquela história de "sorte na loteria dos prompts". O pessoal da ByteDance criou o Seedance 2.0 muito mais como uma ferramenta de direção técnica na criação de filmes. Segundo o que liberaram, a arquitetura por trás do modelo é um "Dual-Branch Diffusion Transformer", onde um Transformer cuida do vídeo e outro do áudio, trabalhando em paralelo pra garantir que o som (efeitos, música e voz) saia perfeitamente sincronizado com o movimento. E aí, obviamente, a galera foi à loucura, gerando vídeos de qualidade perfeita nas redes sociais de coisas com direitos autorais e celebridades, como uma luta do Brad Pitt com o Tom Cruise, finais alternativos de O Senhor dos Aneis, Game of Thrones e Stranger Things, entre milhares de outros. Com isso, a repercussão foi tão grande que deixou a galera de Hollywood meio que... irritada (pra dizer o mínimo), com estúdios como Disney e a MPA questionando a origem dos dados de treinamento e o uso não autorizado de imagem. E parece que a ByteDance sentiu a pressão e já começou a bloquear o upload de rostos de celebridades e figuras públicas na plataforma pra evitar os processinhos. Deixo abaixo alguns exemplos de vídeos gerados com esse modelo. É de explodir a cabeça, realmente.
Fabrício Carraro18,303 次观看 • 4 个月前
A empresa Inception lançou o Mercury 2, um LLM focado em raciocínio (reasoning) construído 100% com base em modelos de difusão. Pra entender o que isso que dizer, precisamos lembrar de como a coisa funciona hoje. Praticamente todos os grandes modelos que a gente usa (GPTs, Claude, Gemini) são autorregressivos. Basicamente, eles geram o texto de forma sequencial, prevendo e "cuspindo" um token por vez, da esquerda pra direita, meio que como eu ou você digitando uma palavra após a outra. Apesar de funcionar muito bem com reasoning (como temos visto benchmark atrás de benchmark sendo quebrado), isso cria um gargalo natural de velocidade, porque você precisa esperar a palavra anterior ficar pronta pra gerar a próxima. O que o Mercury 2 faz é aplicar o conceito de difusão, que é comumente usado em modelos de imagem como o Nano Banana ou o Midjourney, só que pra texto! Nas imagens, isso funciona com o modelo começando com um ruído (tipo o chiado da sua TV antiga), e passo a passo ele vai refinando isso até chegar na imagem perfeita do "gato astronauta" que você pediu no prompt. Já pra texto, em vez de ir gerando token por token em sequência, ele começa também com um rascunho inteiro com "ruído" e vai refinando a resposta inteira em paralelo, simultaneamente, em poucas iterações. É como se ele visse tudo de uma vez só e fosse alterando as palavras que achasse erradas. E os resultados são absurdos: ele consegue gerar 1009 tokens por segundo (não, eu não digitei errado). Só pra dar contexto, os modelos mais rápidos das empresas grandes, como o Claude 4.5 Haiku e o GPT-5.2 Mini, geram em torno de 70 a 90 tokens/segundo. Deixo abaixo o vídeo pra você entender o quão absurdamente rápido ele roda. Mas claro, ser rápido não bastaria se ele performasse mal. Nos benchmarks que eles divulgaram, ele cravou 91.1% no AIME 2025 de matemática (acima do Gemini 3 Flash) e 74% no GPQA Diamond de perguntas de nível PhD (acima do Claude 4.5 Haiku). Ou seja, ele entrega uma qualidade muito competitiva com os modelos "rápidos" das empresas top, mas numa velocidade MUITO acima. Ele chega custando USD 25 centavos por 1 milhão de tokens de input e USD 75 centavos pra 1 milhão de tokens de output. Vale lembrar que a Inception não está sozinha testando isso. A própria Google DeepMind está investindo na pesquisa de modelos de difusão pra texto, e inclusive, batemos um papo sensacional sobre isso lá no IA Sob Controle com o João Gabriel Oliveira, pesquisador brasileiro da DeepMind que trabalhou justamente no Gemini Diffusion, lançado alguns meses atrás. Se não escutaram, deixo o link abaixo no primeiro tweet abaixo! Pra quem me segue aqui há algum tempo, sabe que eu tenho uma quedinha por novas arquiteturas, e essa de difusão pra texto é algo que me parece tão estranho o fato de funcionar, que me atrai mais do que as outras. Se você testar no seu agente, deixa uma resposta aqui!
Fabrício Carraro10,936 次观看 • 4 个月前
没有更多内容可加载