Google a introduit VideoPOET, ouvrant la voie à une nouvelle génération de vidéos cohérentes.

Après que l’IA Copilot de Microsoft ait acquis la capacité de générer des clips audio à partir de textes sollicités, Google a présenté VideoPoet, un grand modèle de langage (LLM) qui repousse les limites de la génération de vidéos avec des clips de 10 secondes qui produisent moins d’artefacts. Le modèle prend en charge une gamme de tâches de génération de vidéos, y compris la conversion de texte en vidéo, la transformation d’image en vidéo, la stylisation vidéo, le remplissage et les fonctionnalités vidéo-audio. À la différence de ses prédécesseurs, VideoPoet se démarque par sa capacité à générer de grandes vidéos cohérentes en mouvement. Le modèle met en œuvre ses capacités en produisant des vidéos de dix secondes de longueur, laissant derrière lui sa concurrence, y compris Gen-2. Notamment, VideoPoet ne s’appuie pas sur des données spécifiques pour la génération de vidéos, ce qui le distingue des autres modèles qui nécessitent une entrée détaillée pour des résultats optimaux. Cette polyvalence est rendue possible grâce à l’utilisation d’un modèle large multi-modal, le mettant sur une trajectoire potentiellement devenue la norme en matière de génération de vidéos. Le VideoPOET de Google s’éloigne du courant prévalant dans les modèles de génération de vidéos, qui reposent principalement sur des approches fondées sur la diffusion. Au lieu de cela, VideoPoet exploite la puissance des grands modèles de langage (LLM). Le modèle intègre de manière transparente diverses tâches de génération de vidéos au sein d’un seul LLM, ce qui élimine le besoin de composants entraînés séparément pour chaque fonction. Les vidéos résultantes présentent une longueur variable et des actions et styles diversifiés en fonction du contenu du texte d’entrée. De plus, VideoPoet peut convertir des images d’entrée en animation en fonction de déclencheurs fournis, mettant en œuvre sa capacité d’adaptation à différentes entrées.