
English: 
There is no such person exists. Never lived.
This person doesn't exist either.
These people may seem familiar to you from somewhere.
But you have never seen any of these faces anywhere before.
Because these people never lived.
Photos that you've seen before were produced with computer codes
line by line and pixel by pixel. In this video
We'll see both how they were produced and their production methods
Although we are not a computer programmer
and  how useful it can be in our own lives all together.
The machines are trying to learn to recognize and identify
the photos they have seen for years.
In 2013, they managed
to reach human level in proportion as %99
When it looks at a photo like this

Turkish: 
(Gerilim Müziği)
Böyle bir insan yok hiç yaşamadı.
(Gerilim Müziği)
Böyle bir insan da yok
(Gerilim Müziği)
Bu insanlar size bir yerden tanıdık gibi geliyor olabilir,
(Anlık Sessizlik)
Ama bu yüzlerin hiçbirini daha önce hiç bir yerde görmediniz
(Gerilim Müziği)
Çünkü bu insanlar hiç yaşamadı.
(Gerilim Müziği)
O gördüğünüz fotoğraflar bilgisayar kodlarıyla
Satır satır piksel piksel üretildi, bu videoda
Onların hem nasıl üretildiğini hem de üretilme
yöntemlerinin, bir bilgisayar yazılımcısı olmasak bile
Kendi hayatımızda ne kadar kullanışlı olabileceğini hep beraber göreceğiz.
Makineler yıllardır gördükleri fotoğrafları
Tanımayı ve tanımlandırmayı öğrenmeye çalışıyor
2013 yılında bu konuda insan seviyesine ulaşmayı başardı
%99 oranında
Artık böyle bir fotoğrafa bakınca bir at

Turkish: 
Onun üzerinde bir insan ve onun da kafasında bir kask
Bir binici togu  olduğunu ayırt edebiliyor.
Bu sayede mesela çektiğim fotoğrafları ve videoları  yüklediğim Google Photos ' da
Özellikle ingilizce arama yaptığımda
Gerçektende çok detaylı sonuçlara ulaşabiliyorum.
Makine öğrenmesi sayesinde yüklediğim fotoğraf ve videoların içinde
Gemi olduğunu anlamakla kalmıyor
Kelimeyi en geniş anlamda değerlendirip
Bir uzay gemisini bile sonuç olarak gösterebiliyor.
Dahası çektiğim kitap sayfalarındaki gemi iillüstrasyonlarını bile bulup ortaya çıkartıyor.
Öte yandan çok kolay bir şekilde tuzağa da düşebiliyor.
Aynı Google Photos 2015'te fotoğrafları gruplandırıken ....
Şöyle bir fiyaskoya imza atmıştı.
Makine öğrenme algoritmaları bir elmayı rahatlıkla tanıyabilirken
Aynı elmayı bir file torbanın içine koyarsanız
Onun ne olduğunu anlayamayabiliyor.
Çünkü bu beklenmedik sıra dışı bir görsel
İşte bu ,onun kandırılmaya yatkın doğasını
İlk keşfeden kişilerden biri ...Bu konularda

English: 
they are able to distinguish that there is horse
and a human on it with a helmet on his head.
In this way, for example, when I upload photos and videos to Google Photos,
I can actually reach very detailed results
especially when I search in English.
Thanks to the machine learning in the photos and videos I upload
not only they understand that there is a ship
but also evaluating the word in the broadest sense
they are able to show the space ship as a result.
Moreover, they even find out the ship illustrations on the pages of my book.
On the other hand, it can fall into a trap very easily.
When the very same Google Photos was grouping some photos back in 2015
they signed a fiasco like this.
While the Machine learning algorithms can easily recognize an apple,
if you put the same apple in the net bag
They can not able to understand what is it.
Because this is an unexpected extraordinary image.
Here, he is one of the first person
who discovered it's natural misleading prone,

Turkish: 
Çalışmalar  yapan bir öğrenci : IAN GOODFELLOW.2014 yılında Kanada Mondreal Üniversitesinde
Kendisi ve arkadaşları bu zayıflığı bir avantaja dönüştürmek üzere
Oyun teorisinide kullanarak yeni bir makine öğrenmesi sistemi geliştirdi
Generative Adversarial Networks
Kısaca GAN
Daha önce yaptığım bir video da bu sistemi kullanan Nvidia'nın
Geliştirdiği GAUGAN adlı bir yazılımdan bahsetmiştim
O video da sistemin adını ''üretgen ters ağ'' olarak çevirmiştim
ama daha sonra incelediğim Türkçe akademik makalelerde de gördüğüm
''Çekişmeli Üretici Ağ''
kısaca (ÇÜA) Tabiri bu konuyu bence çok daha iyi tarif ediyor.
Bu (Generative Adversarial Network) Gan
yada Çekişmeli Üretici Ağ (ÇÜA)
Dediğimiz sistem
Evet, adları biraz karışık olsa da gerçekten çok önemli bir sistem.
O kadar önemli ki!
Makine öğrenmesini en çok kullanan şirketlerden.. Facebook'un
Yapay zeka araştırma yöneticisi bile, Onu öve,öve bitiremiyor

English: 
is a student who is working on these subjects. IAN GOODFELLOW.
In 2014, at Mondreal University in Canada,
he and his friends developed "a new machine learning system"
using game theory to turn this weakness into an advantage.
Generative Adversarial Networks
Shortly, GAN
In a video I made a few months before, I mentioned a software
called GAUGAN developed by Nvidia that uses this system.
At that video I translated that system's name as "productive reverse network"
But this network, which I also studied and saw in Turkish academic articles,
'' Competitive Producer Network ''
in shortly (CPN)  I think it describes this subject  much better.
This Generative Adversarial Network GAN
or Competitive Producer Network (CPN) we call
Indeed, yes their names are a little bit confusing but it is extremely an important system.
It is so important that!
Most of the companies that use the machine learning
even the Artificial Intelligence Research Manager  of Facebook can't stop praise it.

English: 
Do you know why it's so much important?
To date, machine learning systems have provided simple output from a complex input.
 
As an example of "Google Photos" That photos and videos I uploaded
represents complex inputs, namely INPUT
So what does that machine
do using Neural networks?
It produces a simple output.
After examining the picture, it comes up like a ship tag. An output.
Do you know what the newly developed Competitive Producer Network does?
The opposite of it.
It can produce complex output from simple input.
On the one side you give the computer random numbers,
On the other side, extremely complex and realistic human face photos come out.
So the thing we call machine (computer) does not only learn
It also produces.
It learns by producing.
Writing: learning by producing
Here is a good principle that we can use in our daily lives even if we are not a computer programmer.
We taught machines to teach,

Turkish: 
Neden bu kadar önemli biliyor musunuz?
Bu güne kadar makine öğrenme sistemleri, Karmaşık bir girdi'den basit bir çıktı almayı sağlıyordu.
''Google Photos'' Örneğinde yüklediğim 
o fotoğraf ve videolar..
Karmaşık girdileri,yani ''INPUT'' ları temsil ediyor.
Peki bunları öğrenen o makine..
Nöral ağlarını kullanarak ne yapıyor.
Basit bir çıktı üretiyor.
Görseli inceledikten sonra bir gemi etiketi gibi bir çıktı, bir output bu.
Yeni geliştirilen bu Çekişmeli Üretici Ağ ise ne yapıyor biliyor musunuz?
Bunun tam tersini
Basit bir girdiden karmaşık bir çıktı üretebiliyor.
Bir taraftan bilgisayara rastgele sayılar veriyorsunuz,
Öbür taraftan son derece karmaşık ve gerçekçi insan yüzü fotoğrafları çıkıyor.
Yani makine dediğimiz şey aslında bilgisayar sadece öğrenmiyor,
Aynı zamanda üretiyor.
Üreterek öğreniyor
İşte kendimize bir bilgisayar yazılımcısı olmasak bile günlük hayatımızda kullanabileceğimiz güzel bir prensip.
Biz önce makinelere öğrenmeyi öğrettik,

Turkish: 
Şimdi onlar bize öğrenmeyi öğretiyorlar.
Üreterek öğrenin diyorlar
Gerçekten de mesela resim çizebilmenin en kolay yolu hemen bir resim çizmeye başlamaktır.
Ama tek başına bu yeterli değildir.
Sadece resim çizmek yada müzik yapmak değil
Herhangi bir projede başarılı olabilmek
İlk denemede pek mümkün değildir çok küçük bir ihtimaldir
Peki başka ne lazım ?
Bu sorunun cevabını bulabilmek için o
"Çekişmeli Üretici Ağı" modeline yeniden
bir gözatmaya devam edelim isterseniz
Burada da üretici bir ağ var
Ve bu ağ rastgele bir gürültüden hemen resmi çizmeye başlıyor
Ama onun yanında çalışan bir başka ağ daha var
Buna "Ayırımcı Ağ" deniyor.
Üreticinin oluşturduğu görselleri inceleyen bir ağ bu.
Onların gerçek mi yoksa sahte mi olduğuna karar veriyor
Şimdi bunu iki yarışmacının olduğu
Bir oyun gibi düşünebilirsiniz
Yarışmacılardan bir tanesi;  o resimleri üreten yarışmacının
En büyük amacı diğer yarışmacıyı kandırmak.

English: 
Now they are teaching us to learn.
They say ''learn by producing''.
For example, the easiest way to draw a picture is to start drawing a picture immediately.
But that alone is not enough.
Not only in drawing or making music,
It is not really possible being successful in any project
On the first try. There's very little possibility.
So what else is needed?
In order to find the answer to this question let's look at to that "Competitive Producer Network" again if you please.
Yeah, there is a productive network
And that network starts drawing the picture from a random noise.
But there is another network that is working beside it.
That is called ''Separative Network''.
This is a network that examines the images which the producer made.
It decides if they are real or not.
Now, you can think that as a game with two competitors
One of the competitors; the one that produces the paintings'
biggest goal is deceiving the other competitor.

Turkish: 
Yani yaptığı resmin gerçekçi olduğuna inandırmak.
Diğer yarışmacının amacı da, o ayırımcı ağın amacı da,
Bu resimlerin mümkün olduğu kadar sahte olanlarını ayıklamak.
İşte yarışmacılar arasında
Sürekli bir çekişme var o yüzden
"Çekişmeli Üretici Ağı" demek çok daha doğru bir tabir oluyor.
Yani aynı yazılım bir yandan üretim yapıyor, bir yandan da kendi ürettiklerini
Acımasızca eleştiriyor.
Kendini sürekli geliştirebilmek,
Başlanan bir projeyi çok daha iyi hale getirebilmek için kullanılabilecek
Çok güzel bir strateji değil mi bu da?
"Çekişmeli Üretici Ağlar"ın nasıl çalıştığını daha iyi anlamak istiyorsanız
Size vereceğim şu adrese hemen girerek orada bi' deneme
yapabilirsiniz. Buradaki yarışmacı nöral ağlarımız
her seferinde beş adımda birbirlerine karşı
yarışarak karmakarışık noktaları
düz bi'  çizgi ya da bi' çember yapmak üzere birbirlerini
eğitebiliyor.
Eğer denerseniz sizinde fark edeceğiniz gibi
böylesi basit çizimleri öğrenebilmek bile
bilgisayarın binlerce deneme yapmasını gerektiriyor.

English: 
Making the other to believe that the painting he made is realistic.
And the other competitors, the 
''Separative Network''s goal is to
Extract as many fakes as possible.
So, there is continuously contention between competitors.
That's why it is so true to call it ''Competitive Producer Network''.
So, the very same software produces on one hand and on the other hand criticizes its own products ruthlessly.
Isn't it a very good strategy to use to develop itself continuously and make a started project much better?
If you want to know how ''Competitive Producer Network'' works better
You can do a trial by entering the address that I'm giving you
Our competitive neural networks here
can educate themselves by making complicated dots a straight line or a circle
by challenging each other each time on five steps.
It takes thousands of trials for the computer to learn how to make such simple drawings as you can notice.

Turkish: 
Birde üstteki örnek çizgi yada çember yerine gerçek insan fotoğrafları verdiğinizi bi'düşünsenize.
2014'de bu sistem ilk geliştirildiğinde
çok düşük çözünürlüklü ve siyah-beyaz bi fotoğraf
üretebilmişti.
Aradan geçen 5 yılda yapay zeka'nın sentezleyebildiği
fotoğraf kalitesi giderek arttı.
Bu 5 yılda makine öğrenmesi konusunda araştırma yapanlar
yeni bulunan gen tekniklerini hem geliştirdiler
hem de çok farklı alanlarda uygulamaya başladılar.
Mesela bilgisayarlar artık karton karakterler
anime karakterler üretebiliyor.
"POKEGAN" Projesi
yeni pokemon karakterleri tasarlıyor
eski karakterlere bakarak.
Ama çok başarılı olduğu söylenemez.
Biraz daha öğrenmeye çalışması gerekecek.
"CYCLEGAN" Projesi
taslak çizimleri fotoğrafa dönüştürüyor.
Ressamların stillerini fotoğrafları tablolara
yada uydu fotoğraflarını haritaları dönüştürebiliyor.
"STACKGAN" Projesi
yazıyı görsele dönüştürüyor.
Mesela bana kısa gagalı
siyah ve yeşil
küçük bir kuş lazım yazıyorsunuz.
Size böyle bir kuş görseli üretiyor.

English: 
Just imagine giving real human photos instead of these lines or circles above.
When this system first developed in 2014
It could produce a photo with so low quality and the photo was black-white.
In the past 5 years, the quality of the photos that artificial intelligence can synthesis has leveled up gradually.
In these 5 years, people who research about machine learning both developed and started
to use this newly discovered GAN technics.
For example,  computers now can produce cartoon characters, anime characters
POKEGAN project designs new pokemon characters
by looking at old characters.
But it can not be said it's successful, it will need to work to learn.
CycleGAN project transforms draft drawings into pictures
just like GoGAN I introduced earlier.
It can turn pictures into paintings or satellite pictures to maps
by learning painters' style.
StackGAN project turns writing into image.
For example, you type ''I need a green bird with a small black beak''.

Turkish: 
Bakın böyle bir kuş görseli buluyor demiyorum.
Böyle bir kuş görseli "üretiyor".
Gerçekte bu kuşlar da yok.
Başka bir proje hangi açıdan çekilmiş olursa olsun yüzünüzün önden görüntüsünü üretiyor
Daha bir kaç gün önce ortaya çıkan yepyeni bir projede yine bir cep telefonunuz ile çektiğiniz oda görüntüsünü 3 boyutlu görüntülere dönüştürüyor
Moda endüstrisinde kullanılabilecek başka bir çözümde modellerin verdiği pozlar değiştirilebiliyor
Fotoğraftan emoji üretende var
Fotoğrafların içindeki nesnelerden 3 boyutlu modelleme yapanlarda
Peki 5 yıl gibi çok kısa sayılabilecek bu kadar büyük ilerleme kaydedilmesini neye bağlayabiliriz
Çünkü bunu sadece teknolojik gelişmeyle, bilgisayarların hızlanmasıyla açıklayabilmek pek mümkün değil
Bunu açıklayabilmek için şimdi size bir grafik göstereceğim
Bu grafikte internette üretilen datanın verinin miktarını görüyorsunuz
Peki dikkatinizi çeken bir şey var mı

English: 
And it produces a bird picture like this.
Look, I'm not saying it finds a bird image like this, it produces a bird image like this.
These birds do not exist either.
Another project produces your face's image regardless of which angle the photo was taken.
In a brand new project which came up a few days ago
room photos you take with a phone can turn into 3d images.
Another solution that can be used in fashion industry, poses can be changed.
There are people who produce emoji from a photo,
And there are people who model objects from pictures 3d.
So, to what can we link up this much progress in considerably short 5 years.
Because it's not likely possible to explain it with  just technological development
and computers' speed gaining.
In order to explain it, I'm going to show you a graphic.
In this graphic,  you see the data that is produced on the internet.
Well, is there something that draws your attention
There happens an explosion in the data we have been producing since 2010.

English: 
This is one of the most important reasons why machine learning is have been getting much successful
with the GAN technic since 2014.
Because why we call the machine learning ''learning''?
It looks to something.
Those things are data.
As these datas increase, the quality of learning increases as well.
In the last five years, ordinary users like us  have increased both the quantity and variety of these datas
by uploading these photos and videos on social media.
How come we become able to produce this much data
What are we doing different from before?
This. For example, somebody makes an app named FaceApp
Immediately, we start to make ourselves older. The other day when you look at the social media
Everybody got old for 30 years.
Just help from an app like this in a moment or in a short period of time like one week

Turkish: 
Özellikle 2010'dan itibaren ürettiğimiz verilerde adeta bir patlama yaşanıyor
İşte GAN tekniği ile makine öğrenmesinin 2014'ten beri giderek daha başarılı olmasının en önemli sebeplerinden biri de bu
Çünkü makine öğrenmesi niye öğrenme diyoruz bir şeylere bakıyor o bir şeyler veri. O verilerin miktarı arttıkça öğrenmenin de kalitesi artıyor.
Son 5 yılda bizim gibi sıradan kullanıcalar çektiğimiz fotoğrafları ve videoları internetteki çeşitli platformlara sosyal medya mecralarına yükleyerek hem bu verilerin sayısını hem de çeşitliliğini artırmış olduk.
Nasıl oluyorda bu kadar fazla miktarda veriyi üretebilir hale geldik eskisinden daha farklı neyi yapıyoruz
Şunu yapıyoruz mesela birisi FaceApp diye bir uygulama çıkartıyor hemen o uygulamayı indirip kendimizi yaşlandırmaya başlıyoruz
Ertesi gün sosyal medya bir bakıyorsunuz herkes 30 yıl yaşlanmış.

English: 
hundreds of millions of users have uploaded much more photos on the internet than that number
Let's hope that the ones we upload are being used with good intentions like machine learning.
Because in the contracts that we agreed but couldn't have had time to read
we have given all the rights of those photos indefinitely to Yaroslav Goncharov who is the developer of the app.
I don't know him, but in the app that he made us download exactly contains
You grant FaceApp a perpetual, irrevocable, nonexclusive, royalty-free, worldwide, fully-paid,
transferable sub-licensable license to use, reproduce, modify, adapt, publish, translate, create derivative works from, distribute, publicly perform
and display your User Content and any name, username or likeness provided in connection with your User Content
in all media formats and channels now known or later developed, without compensation to you.
So do not be surprised when you see yourself or the 30 years old yourself on the street while roaming in Moscow.
Do not try to claim rights either.
Because you have been accepted that from the beginning.

Turkish: 
İşte sadece böyle bir uygulamanın yardımıyla bir anda ya da bir hafta gibi çok kısa bir sürede 100 milyonlarca kullanıcı ondan çok daha fazla miktarda fotoğrafı internet ortamına yüklemiş oluyor
Umalım ki sadece o yüklemelerimizle makine öğrenmesi gibi iyi amaçlarla kullanılıyor olsun.
Çünkü o uygulamayı kullanmak için kabul ettiğimiz ama bir türlü okumaya fırsatımız olmayan sözleşmelerde o fotoğraflarımızın tüm haklarını süresiz olarak uygulamayı geliştiren Yaraoslav Goncharov'a vermiş oluyoruz
Ben kendisini tanımam ama bize yüklettiği uygulamanın sözleşmesinde aynen şunlar yazılı:
(Ekranda yazılı)
Yani bir gün Moskova sokaklarında dolaşırken büyük bir reklam panosunun üzerinde kendinizi veya 30 yıl yaşlı halinizi görürseniz hiç şaşırmayın
Üzerinde hak talep etmeye de kalkmayın çünkü baştan bunu kabul etmiş oluyorsunuz

Turkish: 
Bütün bunları duyduktan sonra hemen panikte yapmayın
Bir cep telefonunuz varsa ve bugüne kadar onu kullanarak uygulamalar indirip kullandıysanız sosyal medyayı kullanıyorsanız...
FaceAppin ki kadar aşırı ya da ağır şartlar içermese de ona yakın pek çok sözleşmeye onay verdiniz bile
FaceApp makine öğrenmesini ve GAN tekniğini kullanan uygulamalardan sadece biri
Bugün geldiğimiz noktada artık üretici noral ağlar görselleri birer stiller kümesi olarak algılıyor
Bir fotoğrafta ki insanın pozunu, duruşunu, saçını, yüz şeklini, gözlerini, ten rengini ayrı ayrı öğrenip bunlardan yeni fotoğraflar üretebiliyor
Yani kendinizi sadece yaşlandırmakla kalmayıp cinsiyetinizi, ırkınızı, ten renginizi ve daha pek çok fiziksel özelliğinizi rahatlıkla değiştirebilirsiniz
Ha bir de herkesin bildiği ve kullanmaya başladığı FaceApp'den bazı kişilerin bildiği ve çok az kişinin kullanabildiği FakeApp vardı

English: 
Do not panic after hearing all this as well
If you have a cell phone and if you have used it to download apps and used to this day
If you are using social media
Even if it does not include extreme or heavy conditions as FaceApp
You have already given confirmation to plenty of apps close to it.
FaceApp is just one of the apps that use machine learning and GAN technic
The point that we have come today now Productive Neural Networks perceive the images
As a cluster of styles
It can produce new photos by learning persons pose, stance, hair,
face shape, eyes, skin color separately.
So, not only you age yourself,
but also can change your gender, your race, your skin color, and many physical features easily.
And also, before everyone's known and used FaceApp,
There was FakeApp which some known and so little could use.

Turkish: 
FakeApp özellikle ünlülerin videolarını yine GAN teknikleriyle birleştirip onlara hiç yapmadıkları şeyleri yaptırabiliyor
Derin sahte anlamına gelen DEEPFAKE videoları.
Bu videoları üretenler özellikle Nicolas Cage yapmadıklarını bırakmadılar
Charlie Sheen'den, Elon Musk yaptılar
Jennifer Lawrence'ı, Steve Buscemi'ye dönüştürdüler
Politikacılara hiç söylemedikleri şeyleri söylettiler
DeepFake videolarını üretebilmek için yine GAN tekniğiyle makinelerin öğrenmesi gerekiyor.
Gördüğümüz örnekler her ne kadar çok etkileyici olsa bizi şaşırtsa, biraz da korkutsa da bu işin daha çok başındayız
Çünkü henüz burada kullanılan videolar üzerinde kullanılan GAN teknikleri hemen hemen 2 ayrı ve birbirine uyumlu olan görüntüyü ustalıkla birleştirme aşamasında

English: 
FakeApp can especially make famous people do things they've never done
again with the GAN technics.
Videos that mean ''Deep Fake''
Producers who make these videos didn't leave Nicolas Cage especially.
They made Elon Musk out of Charlie Sheen.
They transformed Jeniffer Lawrence into Steve Buscemi.
They made politicians say the things that they have never said.
In order to produce Deep Fake videos again, machines need to learn.
Even if the examples we saw are impressive, surprise us, even scare us
Actually, we are at the very beginning of this thing.
Because, GAN technics that used in here, in videos
At the level of combining adroitly,
almost two separate and compitable images.

Turkish: 
Yani videonun başında gösterdiğim gibi hiç yoktan sıfırdan insan yüzleri ya da görüntüleri oluşturamıyor.
Henüz!
Çünkü bir kaç ay önce bu konuda da çok önemli bir gelişme yaşandı
Samsung'un yapay zeka laboratuvarlarında bir teknikle tek bir fotoğraftan video üretmek mümkün hale geldi.
Normalde makine öğrenmesinde çok miktarda veriye ihtiyaç duyulduğunu söylemiştik
Ama bu teknikte o kadar çok olmasına gerek yok sadece 1 veri 1 görsel bile yeterli olabiliyor
Bilgisayar bu görseli temel yüz hareketleriyle birleştirerek basit bir konuşan kafa videosu üretebiliyor
Tabi ki fazla veriye de itiraz etmiyor ne kadar fazla fotoğrafla beslerseniz sonuç o kadar inandırıcı olmaya başlıyor
Bir fotoğraf yerine 8 fotoğraftan öğrenen bilgisayarın ürettiği video bu kalitede
Muhtemelen yakın bir gelecekte cep telefonumuzla çektiğimiz selfielerden otomatik videolar üretebileceğiz

English: 
So, it can't create human faces or images from zero as I showed at the beginning of the video.
Yet.
Because a few months ago an important development happened in this topic.
With a technic developed by Samsung's artificial intelligence labs,
It became possible to make a video with just one photo.
We said so much data is required in machine learning.
But in this technic, it's not necessary to be that much.
Just one data, one image can be enough.
The computer can produce a simple talking head video by combining this image with basic face moves.
Of course, it does not object to more data
The more photos you feed it the more convincing the result starts to get
This is the quality of the image that the computer which learns from 8 photos instead of 1.
Probably in the near future, we will be able to produce automatic videos from selfies which we take with our cellphones.

Turkish: 
...ya da kameramızı açıp kendi yüz ifademizle bir fotoğrafı kukla gibi oynatabileceğiz
bu bir fotoğrafta olabilir ünlü bir tabloda:
Sonuçta yakın gelecekte ben böyle bir şey söylemedim, ben böyle bir şey yapmadım böyle bir insan yok  demek çok daha zor olacak
(gülme sesi)
Bu altyazı Ömer Salih Sarı tarafından işitme engelliler için üretilmiştir...
-Müzik çalıyor-

English: 
Or we will be able to play a photo like a puppet that with our facial expression.
This can either be a photo or a famous painting.
Eventually, in the near future, it will be much harder to say;
''I did not say such thing.''
''I did not do such a thing.''
''There is no such person.''
