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

Après que le Copilot AI de Microsoft ait acquis la capacité de générer des clips audio à partir de textes sollicités, Google a introduit 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, notamment la conversion de texte en vidéo, la transformation d’images en vidéo, la stylisation vidéo, le remplissage et les fonctionnalités audio-vidéo. Contrairement à ses prédécesseurs, VideoPoet se démarque en excellant dans la génération de vidéos à grand mouvement cohérentes. Le modèle met en œuvre ses capacités en produisant des vidéos de dix secondes de long, laissant derrière lui ses concurrents, 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 multimodal de grande taille, le plaçant sur une trajectoire potentielle pour devenir la norme en matière de génération de vidéos. VideoPOET de Google s’écarte de la tendance dominante en matière de génération de vidéos, qui repose principalement sur des approches de diffusion. Au lieu de cela, VideoPoet utilise la puissance de 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 divers en fonction du contenu du texte d’entrée. De plus, VideoPoet peut effectuer la conversion d’images d’entrée en animations en fonction de demandes fournies, mettant en évidence son adaptation à différentes entrées.