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, Google a introduit VideoPoet, un grand modèle linguistique (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 texte-vidéo, la transformation image-vidéo, la stylisation vidéo, l’effacement et les fonctionnalités audio-vidéo. À la différence de ses prédécesseurs, VideoPoet se démarque par sa capacité à générer des vidéos de grand mouvement cohérentes. Le modèle présente sa puissance 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 un modèle multimodal de grande taille, ce qui lui ouvre la voie pour devenir la norme en matière de génération de vidéos. VideoPoet de Google s’écarte de la tendance dominante dans les modèles de génération de vidéos, qui reposent principalement sur des approches par diffusion. Au lieu de cela, VideoPoet exploite la puissance des grands modèles linguistiques (LLM). Le modèle intègre de manière transparente diverses tâches de génération de vidéos au sein d’un LLM unique, 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 animations en fonction de libellés fournis, mettant en évidence son adaptation à différentes entrées.