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

Après que l’IA de Copilot de Microsoft ait acquis la capacité de générer des clips audio à partir de textes sollicités, 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’artifacts. 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. Contrairement à ses prédécesseurs, VideoPoet se démarque par sa capacité à générer des vidéos de grande ampleur 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 capacité multifonctionnelle est rendue possible grâce à l’utilisation d’un grand modèle multimodal, ce qui lui permet de devenir potentiellement le modèle principal de génération de vidéos. Le VideoPOET de Google s’éloigne du trend dominant en matière de génération de vidéos, qui repose principalement sur des approches fondées sur la diffusion. Au lieu de cela, VideoPoet utilise la puissance des grands modèles linguistiques (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 les images d’entrée en animations en fonction des invitations fournies, mettant en œuvre son adaptation à différentes entrées.