Ce înseamnă Text-to-video
Text-to-video înseamnă generarea unui clip video dintr-un prompt: descrii scena, mișcarea camerei și stilul, iar modelul produce câteva secunde de filmare care nu au fost filmate niciodată. Multe instrumente pot porni și de la o imagine, pe care o „animă”.
Printre sistemele cunoscute se numără Sora (OpenAI), Veo (Google), precum și instrumentele companiilor Runway și Kling. La momentul scrierii (octombrie 2026), clipurile generate dintr-o singură cerere au de obicei între câteva secunde și câteva zeci de secunde, iar unele modele generează și sunet sincronizat.
Cum funcționează
Majoritatea folosesc modele de difuzie extinse în timp: în loc să curețe de zgomot o singură imagine, curăță simultan o succesiune de cadre. Partea grea este coerența: același personaj trebuie să arate la fel de la un cadru la altul, iar obiectele trebuie să respecte gravitația și să nu apară sau dispară brusc.
Generarea video cere mult mai multă putere de calcul decât generarea de imagini, pentru că fiecare secundă are zeci de cadre.
Pe înțelesul tuturor
Dacă text-to-image este un ilustrator care desenează un tablou, text-to-video este un studio de animație care desenează toate cadrele unui scurt clip și are grijă ca ele să se lege firesc.
Exemplu
O agenție de turism ar putea genera un clip de 8 secunde cu „o dronă care zboară deasupra Deltei Dunării la răsărit, păsări care se ridică din stuf”. Pentru o reclamă însă, clipul trebuie verificat cadru cu cadru: apar uneori păsări cu aripi în plus sau bărci care se topesc în apă.
De reținut
- Clipurile generate sunt încă scurte și pot conține erori fizice vizibile.
- Tehnologia este folosită pentru storyboard-uri, reclame, efecte și, din păcate, și pentru deepfake-uri.
- Multe platforme cer marcarea conținutului video generat cu AI.
Nu confunda
- Text-to-video vs. editare video cu AI: primul creează filmare nouă; editarea cu AI modifică o filmare reală (tăieturi, subtitrări, eliminarea fundalului).
Termeni înrudiți
- Sora: Modelul OpenAI care generează clipuri video din descrieri text sau din imagini, prezentat în 2024.
- Model de difuzie: Tip de model generativ care creează imagini, sunet sau video pornind de la zgomot aleator și curățându-l pas cu pas.
- Text-to-image (generare de imagini): Modele AI care creează imagini noi pornind de la o descriere scrisă, numită prompt.
- Deepfake: Imagine, video sau înregistrare audio falsă, creată cu AI, în care o persoană pare să spună sau să facă ceva ce nu a făcut.
- AI generativă: AI care creează conținut nou (text, imagini, sunet, video sau cod) pornind de la o cerere scrisă în limbaj obișnuit.
- Model multimodal: Model AI care lucrează cu mai multe tipuri de date: text, imagini, sunet sau video, pe care le poate înțelege și, uneori, genera.