Nøglen til at skabe smukke, glitchy YouTube billeder: forventning og sletning af oplysninger

Da jeg var yngre, havde jeg en fodbold coach, som understregede vigtigheden af forventning. “En-tiiii-ciiiiiii-BETALER-shun,” han ville råbe af os, mens vi var dykning rundt efter bolden. Hvis vi gjorde det rigtige, han lovede, at vi ville være i stand til at gøre i fodbold, hvad Neo i Matrix — ikke ligesom, stop kugler, men de er i det rigtige sted på det rigtige tidspunkt at stoppe et angreb på vores mål. Jeg var ikke så stor på det, i hvert fald ikke i første omgang.

Men den lektie fast. Jeg kan høre trænerens stemme selv nu, når jeg navigerer knuse af rejsende i New York er alt for hyppige myldretiden. Dette er at sige, at forudsigelse er afgørende; det er forskellen mellem at få bolden i bagsiden af nettet og whiffing helt, forskellen mellem at få en plads på et overfyldt tog eller at have til at vente, blev revset på ny, for den næste. Og, som jeg har for nylig lært, forudsigelse er forskellen mellem en YouTube-video, og glitch art.

Den anden dag faldt jeg over en Twitter-bot, @youtubeartifacts, der tweeted ud screenshots og videoklip fra tilfældige YouTube-videoer — men billeder og videoer var bitcrushed og pixeleret og kinetisk, mere abstrakte maleri end kodning fejl.

Der er et navn for denne form for glitched-ud æstetik, og det viser sig at have et veletableret kunstneriske tidligere. “Bot bruger min egen variation af en gammel glitch art teknik, der kaldes ‘datamoshing’, som dybest set skaber en bestemt slags h264 komprimering glitch, som skaber smurt, pixeleret nogle gange maleriske artefakter du se i produktionen,” siger David Kraftsow, kunstneren bag @youtubeartifacts. (H. 264, også kendt som MPEG-4 Part 10 eller Advanced Video Coding, der er en video kompression standard — til optagelse, kompression og distribution — udbredt over hele internettet, da omkring 2014, hvilket giver bedre video kvalitet end tidligere.)

“Det er faktisk en noget gammel glitch kunstprojekt af mine venner, som er gået igennem en masse gentagelser, hvoraf den seneste er den Twitter-bot,” Kraftsow skriver til mig i en mail. Det, der begyndte som et website i 2009, hvor man kunne indtaste en WEBADRESSE på YouTube og se den specifikke glitch-effekter i deres browser — men det var svært at opretholde, Kraftsow forklarer, hvorfor den ikke vare meget længe. Derefter, kuratorer af digital kunst kollektiv Rhizom bad ham om at skabe en mere robust version: en desktop app.

“Jeg refashioned stedet og havde det ser specifikt for “vlogger” indhold til at skabe stillbilleder,” sagde han. “Så for et par år siden” — Februrary 2015 — “jeg lavede app’ en i en Twitter-bot, som selv har været igennem et par versioner. Den seneste, der genererer 4K-billeder fra en indviklet youtube-søgning, der ser ud til (blandt andre ting) vloggers, skønhed/kosmetik vids, sport og natur/landskab videoer.”

Som Kraftsow nævnt, datamoshing er en type af glitch kunst, som, i forbindelse med kunst, historie, kan groft defineres som kunst skabt af korruption eller på anden måde manipulere en eksisterende fil — som har rødder i net art bevægelse i begyndelsen af aughts. En af de mest indflydelsesrige eksempler på den teknik, der var en 2003 video kaldet “Pastell Kompressor,” af kunstnere Owi Mahn og Laura Baginski. “Som grundlag for ‘pastell kompressor” vi har været ved hjælp af time – lapse optagelse af skyer driver forbi, som vi tog på plateauer i den sydlige del af frankrig [sic]”, skrev de. De kørte det gennem en proprietær codec, kaldet “sörensen – 3”, som er blandet af fransk plateauer med en persons figur. To år senere, den kunstner, Takeshi Murata skabt “Monster Film,” som blandede optagelser fra 1981, B-film og en tung soundtrack, og som nu i den permanente samling på Smithsonian som den måske mest indflydelsesrige brik i datamosh canon. I 2009, Kanye West ville bruge den teknik, der i sin video “Velkommen Til Hjertesorg.”

Begrebsmæssigt, datamoshing er temmelig enkel: for At skabe den mest grundlæggende version af de dramatiske, pixeleret effekter, alt hvad du skal gøre, er at drage fordel af, hvordan videoer, der er kodet. I det væsentlige, er der tre typer af rammer, der gemte komprimerede billeder: i-frames, P-frames, og B-frames. Som en fremragende tutorial er det, jeg-rammer er “inter frames”, hvilket betyder, at de indeholder de rammer ” image data. P-frames er “intelligent rammer,” hvilket hold abstrakte oplysninger — væsentlige er, de gemmer data for, hvordan video pixels flytte, og næsten intet andet. (B-frames er lidt anderledes, fordi de er som intelligent rammer, men de er bi-retningsbestemt, de ikke har meget at gøre med glitching.) Så, at datamosh, alt du skal gøre er at slette i-frames. Slet de billeddata, — alle identificerbare, billeder, video—, og du er efterladt med det abstrakte, interiør oplysninger, der udfylder rummet mellem billederne. Du skal bare lade i ann-tiii-ciii-BETALER-shun, de forudsigelser, som på deres egne produkter kendetegnende hvirvel af glitchy pixels, der visuelt definere en datamoshed video. Simpelt, højre?

Jeg besluttede at prøve det, for mig, starter med noget velkendt: Randen Science ‘ s fremragende video på graphen, der kom ud af tidligere i denne uge. Jeg skar video ned til 45 sekunder ved hjælp af iMovie, som føltes som en overkommelig nok i længden, så jeg kørte det gennem Avidemux version 2.5.4 (en gratis, populære video-editor) til at slette min i-frames; derefter brugte jeg VLC (en fremragende video-afspiller) for at afspille mine resultater. (En god tommelfingerregel om i-frames er der, fordi de er ankerpunkter, de findes på næsten hvert snit. Avidemux identificerer dem for dig — du skal bare trykke på op-og ned-piletasterne for at rulle gennem hver enkelt i en video.)

Det tog mig seks forsøg, og næsten en time at komme fra de første 45 sekunder af dette…

…til dette:

Det var lidt sværere end jeg troede. Men jeg holdt ud. Jeg troede i min P-frames. Til sidst, jeg fik denne.

Det er ligesom min fodbold coach måske sige: Udholdenhed er lige så vigtigt som at finde ud af, hvor din pixels er i gang.