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

Après que l’IA Copilot de Microsoft puisse 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’image en vidéo, la stylisation vidéo, le remplissage et les fonctionnalités audio-vidéo. À la différence de ses prédécesseurs, VideoPoet se distingue par sa capacité à générer des vidéos de grande taille cohérentes. Le modèle met en œuvre ses capacités en produisant des vidéos de dix secondes de long, laissant derrière lui la 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 capacité multifonctionnelle est rendue possible grâce à l’utilisation d’un modèle multimodal de grande taille, ce qui lui permet de devenir potentiellement le modèle de génération de vidéos principal. Le VideoPOET de Google s’écarte de la tendance prévalente dans les modèles de génération de vidéos, qui reposent principalement sur des approches de 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 la nécessité 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 convertir des images d’entrée en animations en fonction de invitations fournies, ce qui témoigne de son adaptation à différentes entrées.