Nyckeln till att skapa vackra, glitchy YouTube bilder: förväntan och radering

När jag var yngre hade jag en fotbollstränare som betonade vikten av förväntan. “En-tiiii-ciiiiiii-BETALA-shun,” han skulle skrika på oss, medan vi var dykning runt om bollen. Om vi gjorde det rätt, han lovade, att vi skulle kunna göra i fotboll vad som Neo i Matrix — inte, som, stoppa kulor, men att vara på rätt plats vid rätt tidpunkt för att stoppa en attack mot vårt mål. Jag var inte så bra på det, åtminstone inte till en början.

Men lektionen fast. Jag kan höra tränarens röst även nu, när jag navigera krossa resenärer under New York är alltför vanligt förekommande rusningstid. Detta är att säga att förutsägelse är viktiga, det är skillnaden mellan att få bollen i ryggen på nätet och whiffing helt skillnaden mellan att få en plats på ett fullsatt tåg eller behöva vänta, tuktas, för nästa. Och, som jag nyligen lärt sig, förutsägelse är skillnaden mellan en YouTube-video och glitch art.

Den andra dagen jag kom över ett Twitter-bot @youtubeartifacts, som twittrade ut skärmdumpar och videoklipp från random YouTube-videor, men bilder och videoklipp var bitcrushed och pixlad ut och kinetisk, mer abstrakt målning än kodning fel.

Det finns ett namn för denna typ av glitched-ur estetiska, och det visar sig att ett väl etablerat konstnärligt förflutet. “Bot använder min egen variant på en gammal glitch art teknik som kallas “datamoshing,” som i princip genererar en viss typ av h264 komprimering glitch som skapar smort, pixlad ut ibland måleriska artefakter som du ser i produktionen”, säger David Kraftsow, konstnären bakom @youtubeartifacts. (H. 264, som även kallas MPEG-4 Del 10 eller Advanced Video Coding är en video komprimering standard för inspelning, komprimering och distribution — används i stor utsträckning över internet sedan omkring 2014, och som ger bättre bildkvalitet än tidigare.)

“Det är egentligen en lite gammal glitch art projekt till mig som har gått igenom en hel del upprepningar, och den senaste som är Twitter-bot,” Kraftsow skriver till mig i ett e-postmeddelande. Det började som en webbplats i 2009, där vem som helst kan komma in en YouTube URL och se specifika glitch effekter i sina webbläsare — men det var svårt att upprätthålla, Kraftsow förklarar, vilket innebar att det inte varade länge. Sedan, kuratorer för digital konst kollektiva Rhizom bad honom att skapa en mer robust version: en desktop app.

“Jag omformuleras platsen och fick det att se specifikt för “vloggare” innehåll för att skapa stillbilder,” sade han. “För ett par år sedan” — Februrary 2015 — “jag har gjort appen till ett Twitter-bot, som själv har gått igenom ett par versioner. Den senaste som genererar 4K bilder från en invecklad youtube-sökning som ser för (bland annat) vloggers, skönhet, kosmetika vids, sport och natur/landskap videor.”

Som Kraftsow nämnts, datamoshing är en typ av fel art som, inom ramen för konst, historia, kan vara i stort sett definieras som konst skapad av förvränger eller på annat sätt manipulera en befintlig fil — som har rötter i net art rörelsen tidigt aughts. En av de mest inflytelserika exempel på den teknik som var en 2003 video som heter “Pastell Kompressor,” av konstnärerna Owi Mahn och Laura Baginski. “Som grund för pastell kompressor” vi har varit med time – lapse skottlossning av moln driver med, som vi tog på platåer i södra frankrike [sic],” skrev de. De sprang igenom en proprietär codec, som kallas “sörensen – 3,” som blandade den franska platåer med en persons siffra. Två år senare, konstnären Takeshi Murata skapat “Monster Movie” som blandade klipp från 1981 till en B-film och ett tungt soundtrack och som nu är i den permanenta samlingen på Smithsonian som den kanske mest inflytelserika bit i datamosh canon. I 2009, Kanye West skulle använda tekniken i sin video “Välkommen Till Heartbreak.”

Begreppsmässigt, datamoshing är ganska enkelt: Att skapa den mest grundläggande versionen av dessa dramatiska, pixelated effekter, allt du behöver göra är att dra nytta av hur filmer som är kodade. I huvudsak finns det tre typer av ramar, vilket lagra komprimerade bilder: i-bildrutor, P-bildrutor och B-bildrutor. Som en utmärkt handledning har det, I-frames är “inter-ramar”, vilket innebär att de innehåller frames’ image data. P-ramar är “automatisk ramar” som håller abstrakt information — i huvudsak, de lagrar data för hur video pixlar att flytta, och nästan inget annat. (B-bildrutor som är lite annorlunda, eftersom de är som automatisk ramar, men de är bi-directional, att de inte har mycket att göra med glitching.) Så, för att datamosh, allt du behöver göra är att ta bort jag-ramar. Ta bort bild-data — alla identifierbara, stillbilder från video — och du är kvar med den abstrakta, interiör information som fylls utrymmet mellan bilder. Du lämnar bara i ann-tiii-ciii-BETALA-shun, förutsägelser, som på sina egna produkter kännetecknande virvel av glitchy pixlar att visuellt definiera en datamoshed video. Enkel, rätt?

Jag bestämde mig för att prova det för mig själv, till att börja med något bekant: Gränsen Vetenskap är bra video på grafen som kom ut tidigare i veckan. Jag klipper video ner till 45 sekunder med hjälp av iMovie, vilket kändes som en hanterbar nog längd, då jag sprang igenom Avidemux version 2.5.4 (a gratis, populära video editor) för att ta bort min i-ramar, då jag använde VLC (en utmärkt video-spelare) för att spela upp mina resultat. (En bra tumregel är att om jag-ramar är att, eftersom de är ankarpunkter, de finns i nästan varje skär. Avidemux identifierar dem för dig — bara tryck upp och ned piltangenterna för att bläddra genom varenda en i en video.)

Det tog mig sex försök och nästan en timme att komma från de första 45 sekunderna av det här…

…till det här:

Det var lite svårare än jag trodde. Men jag framhärdade. Jag trodde i min P-bildrutor. Så småningom fick jag detta.

Det är som om min fotbollstränare kan säga: Uthållighet är lika viktigt som att räkna ut när din pixlar är på väg.