Precisiamo che è difficile parlare di modelli “puliti” in toto, in quanto la perfetta tracciabilità è impossibile ma, nello stesso tempo, possiamo segnalare modelli che forniscono alcune garanzie sui dataset utilizzati. Sono modelli “leggeri” open source e open weights che sono in grado di girare anche in locale, su computer dotati di buon hardware (in particolare GPU).

La tabella è stata realizzata in collaborazione con chatGPT o3.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Il Sacro Graal dell’IA nel cinema è sicuramente la possibilità di prevedere gli effetti delle storie sull’audience (e sul box office…)
Da mesi stiamo sperimentando i neonati Subpopulation Representative Models (SRMs) per simulare il pubblico con film screenings sintetici. Per far funzionare il tutto sono servite tecniche avanzate di emulazione emotiva che i LLMs tradizionali faticano a riproporre. I risultati si iniziano a vedere…

Anche le produzioni indipendenti possono accede a insight di valore, derivati da ricerche di mercato sintetiche che rivaleggiano con i sofisticati strumenti data-driven dei colossi dell’audiovisivo. Con le giuste simulazioni, ogni creator ha l’opportunità di ottimizzare il proprio contenuto per il pubblico giusto, rivoluzionando il processo decisionale e rendendolo accessibile a chiunque.

Se i re-rolling rates (cioè quante volte devo usare il modello prima di avere l’output che mi interessa) per tutti gli attuali modelli generativi di video sono di 1:50 o addirittura 1:100 questo genere di strumento, per ora, può essere utilizzato solo per generazioni integrative e costose da realizzare tradizionalmente. (Per non parlare delle risoluzioni scadenti e degli output in H264 totalmente inutilizzabili per la post-produzione…)

A proposito di text-to-video

In quest’ottica qui, i 200 euro per Sora ed i prezzi elevati delle altre piattaforme non hanno senso economico per l’utente finale. Queste aziende lo sanno e vivono di hype. Non fatevi fregare, utilizzate le API e servizi cloud come Replicate per eseguire i modelli solo per le generazioni che vi servono (a prezzi inferiori tra l’altro!):
Haiper Video 2 (0,25$ per 5s di video)

Mochi 1 (0,41$ per 5s di video)
Dream Machine (0,45$ per 5s di video)
Minimax Video 01 (0,50$ per 5s di video)
Hunyuan Video (0,69$ per 5s di video)

Little flower

“Fiorello ha incantato il pubblico londinese con un piccolo show di due minuti e mezzo: grazie all’Intelligenza artificiale si è espresso in un inglese perfetto.” Aldo Grasso, Corriere.it

Esempio di ampliamento dell’audience di contenuti originariamente non in lingua inglese doppiati con le voci originali.

AI Entertainment Studios

Invisible Studio, Promise, EDGLRD, TCL Studio sono solo alcuni degli studios AI-based che stanno nascendo negli States. Così come Secret Level, che ha realizzato il controverso spot di Natale della Coca Cola.

Sebbene incentrati sull’Intelligenza artificiale e sul suo utilizzo in ogni fase creativa e produttiva, queste case di produzione di nuova generazione si avvalgono anche di sceneggiatori, attori, tecnici, compositori ecc.
Le tecniche tradizionali come il live-action, l’animazione e gli effetti di post-produzione sono ibridati con gli strumenti IA. Questi, in particolare quelli generativi, stanno ristrutturando la pipeline di produzione convenzionale che ora tende a un “post-to-pre (production)”: la visualizzazione anticipata consente di vedere e iterare immediatamente gli elementi visivi che altrimenti avrebbero dovuto attendere fino alle riprese o agli effetti visivi di post-produzione per il rendering CG.

Fonte: Variety VIP

Immagine creata con Flux via Replicate

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Abbiamo utilizzato sia un modello LLM da solo, sia integrato con algoritmi di ottimizzazione. I test si basano su semplici progetti fittizi: facciamo creare all’LLM tabelle con scene-location e con attori-disponibilità dandogli alcuni parametri (massimo numero di scene giornaliere, giorni di pausa, disponibilità location ecc..

Introduciamo vincoli (minimizzare costi, spostamenti ecc), passiamo se necessario a codice python e valutiamo i risultati, che, per queste prove semplificate, sono molto buoni. Abbiamo anche fatto cambiare i calendari a riprese iniziate a causa di imprevisti.

Immagine di copertina tratta da “Effetto Notte” di F. Truffaut

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Tuttavia aumentano le aziende che cercano di creare e migliorare rapidamente questa tipologia di IA generative.

Sora di OpenAI è stata la prima a produrre video qualitativamente superiori. Sebbene dopo mesi dall’annuncio il modello non sia ancora disponibile pubblicamente, i test fatti dai ricercatori e dai professionisti a cui è stata data la possibilità di sperimentare sono ancora i benchmark di riferimento.

Luma è un’azienda specializzata nella conversione di oggetti e scene reali, catturati per esempio con la fotocamera dello smartphone, in modelli interattivi 3D. Dream Machine è un modello IA, gratuito con limitazioni di prompt giornalieri, per la generazione di video a partire da una richiesta testuale.

Runway, altro competitor di Sora, ha da poco rilasciato, per alcuni tester, una nuova versione (Gen-3) del suo text-to-video,

Vincenzo Cosenza è uno dei fortunati ad averlo già provato e mi ha fornito i video per una comparazione con Sora e Luma.

A stylish woman walks down a Tokyo street filled with warm glowing neon and animated city signage. She wears a black leather jacket, a long red dress, and black boots, and carries a black purse. She wears sunglasses and red lipstick. She walks confidently and casually. The street is damp and reflective, creating a mirror effect of the colorful lights. Many pedestrians walk about.

Drone view of waves crashing against the rugged cliffs along Big Sur’s garay point beach. The crashing blue waters create white-tipped waves, while the golden light of the setting sun illuminates the rocky shore. A small island with a lighthouse sits in the distance, and green shrubbery covers the cliff’s edge. The steep drop from the road down to the beach is a dramatic feat, with the cliff’s edges jutting out over the sea. This is a view that captures the raw beauty of the coast and the rugged landscape of the Pacific Coast Highway.

A movie trailer featuring the adventures of the 30 year old space man wearing a red wool knitted motorcycle helmet, blue sky, salt desert, cinematic style, shot on 35mm film, vivid colors.

A gorgeously rendered papercraft world of a coral reef, rife with colorful fish and sea creatures

Sora risulta decisamente migliore rispetto a Luma mentre Runway Gen 3 si avvicina e in alcuni casi (per esempio la vista a volo d’uccello dell’oceano) lo supera. Nel caso della ragazza per le vie di Tokio il movimento di Luma non è fluido e mancano dettagli; con Runway è notevole il dinamismo della gonna della ragazza. L’astronauta di Luma non è male (ma perché tutti sembrano avere un centrino ricamato all’uncinetto sul casco? update giustamente Nicolò Gallio mi fa notare che nel prompt c’è scritto: “a red wool knitted motorcycle helmet“…). Il Nemo di Luma sembra un’inquietante mutaforma, Runway ha scelto un stile “infantile”.

Un’analisi più dettagliata di Gen-3 di Runway in questo video di Vincenzo.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Il primo dato interessante è che, a differenza di altri comparti, negli ultimi mesi NON vi è stato un aumento nell’adozione dell’IA. Questo dipende dall’ostilità, dalle proteste, dagli scioperi e in generale dal sentimento negativo su queste tecnologie che si è diffuso nel settore.

Ma entrando più nel dettaglio, si scopre che il sotto-settore “Film e musica” è ai primi posti nell’utilizzo di IA, con un notevole incremento previsto per i prossimi sei mesi.

L’IA generativa viene sperimentata da filmmaker e case di produzione grandi e piccole ma si deve scontrare con una specie di “stigma” ideologico, onestamente poco giustificato, di una parte del pubblico. Basta inserire anche solo un paio di immagini sintetiche (per esempio di un poster in una cameretta) perché si venga additati come profanatori della sacra creatività umana.

In un altro articolo di Variety VIP si individuano due tipologie di intelligenza artificiale, predittive e “generative”, utilizzate e utilizzabili nello sviluppo di progetti audiovisivi attraverso tecniche di simulazione. Nella prima modelli di machine learning sono già utilizzati per analizzare (molti) dati e costruire previsioni sul successo di un progetto o nei sistemi di raccomandazione per gli utenti. Nel secondo, l’IA generativa può intervenire nel ciclo di sviluppo del progetto consentendo di generare testi, immagini, video, suoni che aiutano nell’ideazione e nel raffinamento dell’idea progettuale.

Insieme possono velocizzare il ciclo, come schematizzato nell’immagine.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Generare un video da una richiesta testuale è un processo, come si può intuire, molto più complesso che generare un’immagine. L’entrata in scena della dimensione temporale implica tutta una serie di passaggi, di vincoli, di dinamiche che il modello e la sottostante rete neurale deve “imparare” a gestire: coerenza delle forme, fluidità dei movimenti, gestione dei cambiamenti delle prospettive, sufficiente conoscenza del funzionamento del mondo reale, come gli effetti della forza di gravità. Un modello avanzato text to video (t2v) deve essere, come ha scritto in un post su X Jim Fan, Senior Research Scientist di Ndivia, un “motore fisico basato sui dati” in grado di simulare mondi, reali o immaginari.

Fino a qualche giorno fa i video generati da servizi come Runway o Pika si limitavano a micro-clip di qualche secondo, non particolarmente sofisticati.

Poi è arrivato Sora, il modello t2v di OpenAI.

Seppur non ancora reso disponibile pubblicamente, sono bastati i video di esempio per evidenziare il salto di qualità (letteralmente) che Sora rende possibile: video di un minuto, estremamente realistici, come fossero estrapolati da una serie qualsiasi di Netflix, da un film di Nolan o un cortometraggio della Pixar. Tutti generati da semplici richieste testuali. Ognuno di quegli esempi avrebbe richiesto ore, giorni di lavoro agli studi di animazione o a una troupe sul set. L’immagine ironica spuntata sul web che vede la famosa scritta sulla collina di Los Angeles “Hollywood” sostituita da “Sorawood” è forse eccessiva ma certamente indicativa del futuro “generativo” che attende, volente o nolente, l’industria dell’audiovisivo (e non solo).

Conoscere almeno in linea di massima il funzionamento del modello utilizzato da Sora può aiutare a valutarlo con più razionalità e meno emotività.

Il paper tecnico diffuso da OpenAI non può forse neanche definirsi tale, visto che si tiene ben lontano dagli standard usuali del mondo accademico in fatto di rigore tecnico-scientifico e di trasparenza ma almeno cita gli studi di riferimento: leggerli può risultare molto utile per ricostruire la ricerca compiuta dal team di OpenAI (e anche per scoprire strumenti e tecniche interessanti). Inoltre conferma come i progressi compiuti dai modelli fondazionali (o di base, “foundation models”) siano dovuti alla circolazione del sapere attraverso gli articoli di ricerca tra i team internazionali – di università, centri di ricerca e aziende – impegnati in questo settore estremamente dinamico e interconnesso.

Cerchiamo di capire come funziona Sora.

Il modello utilizzato è una variante dei modelli “a diffusione” solitamente utilizzati per la generazione di immagini con richiesta o promp testuale (text to image).

Per generare immagini, vengono prima fornite al modello migliaia di immagini.

Il modello aggiunge quindi “rumore” rendendo via via l’immagine sempre più simile alla “nebbia statica” dei vecchi televisori. Per creare una nuova immagine, il modello segue il processo inverso: parte da questa “nebbia” ed estrae l’immagine.

Sora, però, è un “diffusion transformer”. Utilizza anche il transformer, il modulo principale dei modelli linguistici di grandi dimensioni (“Large Language Model” o LLM) utilizzato, tra gli altri, da ChatGPT. Così come in questi modelli le parole vengono suddivise in parti più piccole detti tokens, il video viene suddiviso in patches, piccole unità comunque più grandi dei pixel.

La scelta di usare il transformer, a detta di OpenAI e di numerosi studi e ricerche recenti, è dettata dalla maggiore scalabilità e dalle migliori performance che riesce a ottenere nella gestione e manipolazione delle immagini.

Si è anche verificato che addestrare questo modello con video nella loro dimensione originale produce migliori risultati, arrivando a campionare video widescreen 1920x1080p e video verticali 1080×1920.

Abbiamo in precedenza introdotto i patches; questi frammenti non vengono estratti dal video originale, ma dalla sua codifica in uno spazio latente di dimensione minore.

Cerchiamo di spiegarci. Il video passa attraverso un autoencoder. Questa è un’architettura composta da due parti: un encoder (codificatore) che in pratica comprime il video (tipo file zip, per intenderci) temporalmente e spazialmente e un decodificatore che lo riporta al formato originale. Lo spazio latente è quello del video compresso. Per fare un esempio, un’immagine a colori 512×512 può essere compressa in un’immagine in scala di grigi 64×64 utilizzando un codificatore automatico con uno spazio latente di dimensione 64.

Il modello con il suo trasformatore opera su questa versione compressa. Come rilevato in una ricerca citata da OpenAI “addestrando i modelli di diffusione su tale rappresentazione, raggiungono per la prima volta un punto quasi ottimale tra la riduzione della complessità e la conservazione dei dettagli”.

Prima di iniziare la fase di addestramento, i video passano da un modello che crea didascalie dettagliate: una ricerca ha dimostrato che descrizioni troppo brevi e/o inesatte influiscono negativamente sulla comprensione dei prompt text to image (e quindi anche t2v).

Ricapitolando: nella fase di addestramento un video viene prima descritto nel dettaglio, poi viene “compresso”, quindi viene gradualmente trasformato – in questo spazio latente – in “nebbia”: il modello impara a decostruire, patch dopo patch, un video. Con un’operazione detta di de-noising lo stesso modello apprende come far riapparire il video, ricostituendolo passo dopo passo, sempre nello spazio latente: oggetti, animali, persone riemergono dalla foschia. Il modello riesce via via a generalizzare: impara a legare parole e frasi a migliaia di entità e dinamiche. In questo modo riesce, finito l’addestramento, a realizzare video partendo da una descrizione testuale e una “nebbia” fittizia. L’ultimo passaggio è attraverso il decodificatore, che sforna il video nella definizione voluta.

Come per tutte le reti neurali di questo tipo, anche il modello di Sora ha bisogno tantissimi dati (in questo caso sotto forma di video) per essere addestrato. Da dove provengono questi video? OpenAI non mantiene fede al suo nome e non rivela le fonti dei suoi dataset. Si sospetta che siano stati usati dati sintetici come video da motori di simulazione come Unreal, ma non è affatto da escludere l’utilizzo massiccio di video da piattaforme come Youtube.

Oltre che generare video della durata di circa un minuto da un testo, Sora può anche animare un’immagine, estendere un video indietro o avanti nel tempo, editarlo cambiandone per esempio sfondo o contesto, fondere due video ricavandone un video “chimera”. Vi invito a guardare gli esempi nella pagina di approfondimento di OpenAI.

Le capacità emergenti, quelle non direttamente volute ma che appaiono grazie all’apprendimento su larga scala sono particolarmente intriganti. Sempre citando il paper “Sora può generare video con movimento dinamico della fotocamera. Mentre la telecamera si sposta e ruota, le persone e gli elementi della scena si muovono in modo coerente attraverso lo spazio tridimensionale.” Persone, animali e oggetti riappaiono dopo essere stati momentaneamente nascosti. Le azioni hanno un effetto sul mondo ricreato: se si addenta un biscotto, questo appare mangiucchiato, se si dipinge, il quadro si modifica.

I video di esempio mostrati sono notevoli, anche se presentano, com’è normale da uno strumento appena nato, diverse imperfezioni. Artisti ed esperti videomaker stanno lavorando dietro le quinte per dare feedback al team di OpenAI. Solo quando reso disponibile e ci sarà quindi la possibilità di testarlo si potrà valutare il grado di innovazione che porterà nel settore audiovisivo e cinematografico. Sospetto sarà alto.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Ho fatto un test con Copilot di Bing, che usa ChatGPT 4.

Ho chiesto all’IA di trarre una sceneggiatura per un cortometraggio da un brevissimo racconto che avevo scritto anni fa. La trasposizione che ne viene fuori è discreta e non presenta particolari sorprese. A eccezione del finale. Qui si ha un salto creativo: viene aggiunta una scena non scritta nel racconto, un “happy end” esplicito, sia pure poco credibile e banale. Perché l’IA si è sentita in dovere di aggiungerlo? Se i modelli alla base di questi chatbot sostanzialmente vanno alla ricerca della “migliore” parola seguente, secondo quale logica interna o conoscenze apprese decidono di “andare oltre”? Forse tra i suoi dati di addestramento molti racconti, sceneggiature e in generale contenuti riguardanti storie di adolescenti a scuola finiscono così bene? Per raggiungere i cinque minuti richiesti per il corto? Per essere “creativo” così come impostato?

Per essere onesti, il finale che avrei aggiunto io sarebbe stato diverso. Lo potete leggere alla fine del post, dopo il racconto originale e la sceneggiatura “artificiale”.

Il momento perfetto

Il momento perfetto – Trattamento

Prompt: Sei uno sceneggiatore esperto e famoso. Dal racconto trai un trattamento per un cortometraggio di non più di cinque minuti.

Ciao, sono Copilot, il tuo assistente virtuale. Mi hai chiesto di ricavare un trattamento per un corto dal racconto “Il momento perfetto”. Ecco il mio tentativo:

Titolo: Il momento perfetto

Genere: Commedia

Durata: 10 minuti

Sinossi: Un ragazzino timido e studioso riesce a umiliare il bulletto della classe con un gesto di abilità e a conquistare l’ammirazione della sua compagna di banco.

Trattamento:

– Inquadratura iniziale: una classe di prima media nel 1978, con i banchi disposti a ferro di cavallo. La telecamera si sofferma sui volti dei vari studenti, mostrando le loro espressioni e personalità. Si sente una voce fuori campo che dice: “Era il 1978. Prima media.”

– La telecamera si sposta sul protagonista, un ragazzino bruno con gli occhiali, che scrive sul suo quaderno con attenzione. Accanto a lui, c’è la biondina più carina della classe, che lo guarda con curiosità.

La voce fuori campo continua: “Io sedevo, ovviamente, nel primo banco della U più esterna insieme con la biondina più consapevolmente carina della classe. No, non ne ero innamorato. Ero fedele alla biondina delle elementari.”

– Si sente una campanella che segnala la fine dell’ora. I ragazzi si alzano e si mettono a chiacchierare tra di loro. Il protagonista rimane seduto e continua a scrivere.

La voce fuori campo dice: “Quel giorno stavo scrivendo qualcosa sul quaderno nel breve intervallo tra due ore di lezione. Attimi di libertà e anarchia che ognuno di noi trascorreva assecondando la propria indole.”

– Si vede il bulletto della classe, un ragazzino robusto e sfrontato, che si avvicina al banco del protagonista con aria di sfida. Gli strappa l’astuccio dalle mani e se lo porta via, ridendo.

La voce fuori campo dice: “Il bulletto di turno decise che sarebbe stato divertente (per lui) e formativo (per me) rubarmi l’astuccio dal banco e portarselo a mo’ di trofeo in giro per l’aula.”

– Il protagonista non reagisce e continua a scrivere, ignorando il bulletto.

La voce fuori campo dice: “Ora, occorre sapere che io ero talmente un bravo bambino, educato, gentile, studioso che di solito riuscivo non dico a farmi amici ma diciamo a neutralizzare gli istinti sadici che gli elementi più “turbolenti” di ogni scuola potevano nutrire verso di me. Ma quelle erano le prime settimane nel nuovo ambiente delle medie.”

– Il bulletto gira per l’aula, mostrando l’astuccio agli altri studenti e facendo commenti sarcastici. Il protagonista lo segue con lo sguardo, ma non dice nulla.

La voce fuori campo dice: “Il bulletto si aggirava irridente nell’aula con il suo sorriso vagamente ebete e con il mio astuccio (praticamente una pochette di jeans…).”

– Il bulletto si ferma dietro al protagonista e gli lancia l’astuccio, sperando di farlo cadere a terra. La voce fuori campo dice: “Io mantenni una calma assoluta. Continuando a scrivere, non degnandolo di uno sguardo, gli dissi: “Quando ti sei stancato di questo giochetto, riportami l’astuccio.” Lui, dandomi le spalle, gettò l’astuccio verso di me con la perfida intenzione di farlo cadere sul pavimento. Obbligarmi ad alzarmi e a inginocchiarmi per raccoglierlo mi avrebbe costretto a una specie di inchino, a un piccolo gesto di sottomissione alla sua prepotenza.”

– La scena rallenta. Si vede l’astuccio che vola nell’aria, mentre il protagonista allunga la mano senza guardare.

La voce fuori campo dice: “La scena rallentò. Sì, come nei film. L’astuccio volteggiava nell’aria. Io, continuando a tenere gli occhi sul quaderno, senza scompormi, allungai semplicemente il braccio verso l’esterno, alla mia sinistra. Una traiettoria benevola fece atterrare l’astuccio nel palmo della mia mano.”

– La scena torna al normale. Si sente un boato di applausi da parte di tutta la classe, che si complimenta con il protagonista per la sua bravura. Il bulletto rimane sbalordito e imbarazzato. La biondina accanto al protagonista lo guarda con ammirazione e gli sorride.

La voce fuori campo dice: “Un’intera classe scoppiò in un applauso. Anche lei applaudì.”

– Inquadratura finale: il protagonista, che ha finito di scrivere, chiude il quaderno e lo mette nello zaino. Si alza e si avvicina alla biondina, che lo aspetta. Le prende la mano e la porta fuori dall’aula, sotto lo sguardo stupito degli altri. La voce fuori campo dice: “E fu così che iniziai a uscire con la biondina più carina della classe. Quel giorno, avevo trovato il momento perfetto.”

(Il mio finale: La biondina mi guarda senza applaudire ma con un misto di sorpresa e ammirazione. Io la guardo per un istante, le sorrido e torno a scrivere.)

Immagine generata tramite NightCafé

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

L’obbiettivo è quello di dimostrare le potenzialità dell’IA e di valorizzare chi sta già esplorando tecniche e strumenti a essa legati.

Riempendo questo form potrete proporci i vostri lavori (già disponibili per la visione su YouTube, Vimeo o altre piattaforme). I migliori saranno inseriti in un’apposita sezione del sito sophia.vision. Tramite il nostro blog racconteremo queste esperienze e il percorso che ha portato gli autori a utilizzare l’IA.

Ci aiuterà nella valutazione Vincenzo “Vincos” Cosenza: non solo tra i maggiori esperti italiani di social media e tecnologie immersive ma anche sperimentatore raffinato dell’IA generativa. Da pochi giorni Vincenzo è membro del Partner Program di Runway.

Form per proporre i vostri lavori.

Update: è online la galleria con i primi lavori da voi segnalati.

Come esempio e ispirazione proponiamo proprio questo micro “noir” di Vincenzo, “Bloody Night”.

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.

Ottant’anni di curiosità

Cristina Lastrego e Francesco Testa sono due illustratori ultra-ottantenni, autori di centinaia di libri per ragazzi. Da qualche mese stanno lavorando insieme all’Intelligenza Artificiale generativa.
Grande è l’ammirazione per questi due artisti. Cristina Lastrego invita ad avere coraggio e a “superare limiti che noi stessi ci poniamo”.
Guarda il video de “La Stampa”.

La morte dell’artista?

Un mini-documentario, “The Wizard of AI”, creato con tools di IA generativa per evidenziarne rischi e timori riesce così bene che l’autore, Alan Warburton (per l’Open Data Institute) , afferma che: “Nei miei sforzi per realizzare un film curato, ho accidentalmente indebolito tutta la mia argomentazione. Si potrebbe discutere!”
Inoltre ammette che se avesse provato a realizzarlo solo due anni fa, probabilmente ci sarebbero voluti tre mesi (invece che tre settimane) per realizzarlo con un team di 10 persone.

Immagine di copertina tratta dal servizio de “La Stampa”

Originariamente pubblicato sul sito di SophIA – Laboratorio cine-audiovisivo di Intelligenza Artificiale.