Svensk

Om kategorin svensk

Att göra en AI-scen "svensk" är svårare än det låter. Generativa modeller är tränade på material från hela världen, men med en kraftig slagsida mot nordamerikanskt. Ber du en modell om ett vardagsrum får du ett amerikanskt vardagsrum — heltäckningsmatta, gipsvägg, takfläkt — även om ingenting i prompten sa något om det. Modellen har helt enkelt sett tiotusen gånger fler av dem.

Vad vi gör åt det

Lösningen är att vara mycket specifik. Ett svenskt rum beskrivs inte som "svenskt rum" utan som sina beståndsdelar: ljus furuparkett, vita spröjsade fönster utan gardiner, en kakelugn i hörnet, en pinnstol, ett fönsterbräde med krukväxter. Ju mer konkret beskrivningen är desto mindre utrymme får modellen att falla tillbaka på sitt medelvärde.

Ljuset är den andra halvan. Nordiskt ljus har en egen karaktär som är svår att missa när man väl sett den — lågt stående sol som ger långa skuggor även mitt på dagen under vinterhalvåret, och sommarnätter där skymningen aldrig går över i mörker. Midsommarnatt är helt byggd kring det senare, och det tog oss tre försök innan modellen slutade göra det till en vanlig natt.

Miljöer som fungerar

Vissa svenska miljöer visade sig oväntat lätta att generera, andra oväntat svåra. Skärgårdshus och sommarstugor går bra: mycket trä, enkla former, gott om naturligt ljus. Falurött exteriört fungerar också bra, eftersom färgen är distinkt nog att modellen träffar rätt.

Bastu var däremot ett av våra svåraste projekt. Ånga är rörlig, halvgenomskinlig och interagerar med ljus på ett sätt som modeller ofta får fel — antingen försvinner den helt mellan bildrutor eller så lägger den sig som en statisk dimma som inte rör sig med luften. Att dessutom hålla trälister raka bakom ångan gjorde det inte lättare. Bastukvällen tog längst tid av allt vi publicerat i kategorin.

Svenskt ljud

Sedan förra året genererar vi svenskt tal separat och lägger det mot bilden. Att generera ljud och video i samma pass ger fortfarande opålitliga resultat på svenska — språket är för litet i träningsdata — så vi kör röstsyntes för sig och synkar för hand. Det är det mest tidskrävande momentet i hela produktionen, men skillnaden mot textad engelska är stor nog att det är värt det.