Deepfakes para garabatos: con la síntesis de escritura a mano, no se necesita bolígrafo

Gracias a una aplicación web gratuita llamada calígrafo.ai, cualquiera puede simular la escritura a mano con una red neuronal que se ejecuta en un navegador a través de JavaScript. Después de escribir una oración, el sitio la representa como escritura a mano en nueve estilos diferentes, cada uno de los cuales es ajustable con propiedades como velocidad, legibilidad y ancho de trazo. También permite descargar la muestra de escritura a mano falsa resultante en un archivo vectorial SVG.

La demostración es particularmente interesante porque no usa una fuente. Los tipos de letra que parecen escritos a mano han existido por más de 80 añospero cada letra sale como un duplicado sin importar cuántas veces la uses.

Durante la última década, los informáticos han relajado esas restricciones al descubriendo nuevas formas de simular la variedad dinámica de la escritura humana utilizando redes neuronales.

Creado por un investigador de aprendizaje automático Sean Vásquezel sitio web Calligrapher.ai utiliza la investigación de un papel de 2013

por DeepMind alex tumbas. Vásquez creó originalmente el sitio Calligrapher hace años quepero recientemente ganó más atención con un redescubrimiento en Hacker News.

Calligrapher.ai “dibuja” cada letra como si estuviera escrita por una mano humana, guiada por pesos estadísticos. Esos pesos provienen de un red neuronal recurrente

(RNN) que ha sido capacitado en el Base de datos de escritura a mano en línea de IAM, que contiene muestras de escritura a mano de 221 personas digitalizadas de una pizarra a lo largo del tiempo. Como resultado, el modelo de síntesis de escritura a mano de Calligrapher.ai está muy adaptado a la escritura en inglés, y la gente de Hacker News ha reportado problemas para reproducir marcas diacríticas que se encuentran comúnmente en otros idiomas.

Dado que el algoritmo que produce la escritura a mano es de naturaleza estadística, sus propiedades, como la “legibilidad”, se pueden ajustar dinámicamente. Vásquez describió cómo funciona el control deslizante de legibilidad en un comentario en Hacker News en 2020: “Los resultados se muestrean a partir de una distribución de probabilidad, y el aumento de la legibilidad concentra efectivamente la densidad de probabilidad en torno a los resultados más probables. Así que tiene razón en que solo está alterando la variación. La técnica general se conoce como ‘ajustar la temperatura de la distribución de muestreo.'”

Con las redes neuronales que ahora abordan texto, voz, imágenes, video y ahora escritura a mano, parece que ningún rincón de la producción creativa humana está fuera del alcance de la IA generativa.

En 2018, Vásquez código subyacente proporcionado que impulsa la demostración de la aplicación web en GitHub, por lo que podría adaptarse a otras aplicaciones. En el contexto adecuado, podría ser útil para los diseñadores gráficos que desean más estilo que una fuente de script estática.