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 de langage (LLM) qui pousse 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 démarque par sa capacité à générer des vidéos de grande amplitude cohérentes. Le modèle met en œuvre ses compétences 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 par l’utilisation d’un modèle multimodal de grande taille, qui le met sur une trajectoire potentiellement devenue la norme en matière de génération de vidéos. Le VideoPOET de Google s’écarte de la tendance prévalente 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 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 effectuer la conversion d’images d’entrée en animations en fonction de libellés fournis, mettant en évidence son adaptation à différentes entrées.