Que génère une IA de texte vers vidéo comme Sora ?

Une IA de texte vers vidéo comme Sora génère de courts extraits vidéo directement à partir d'une description écrite, en prédisant comment les images doivent évoluer et se mouvoir d'une trame à l'autre pour correspondre à ce que décrit l'instruction. Cela permet de taper une simple phrase et d'obtenir une scène animée, souvent d'un réalisme saisissant, sans jamais utiliser de caméra, même si le système doit essentiellement imaginer d'innombrables détails visuels, comme l'éclairage et la physique, qui ne sont pas explicitement précisés dans le texte.

Les albums photo imprimés sont des produits physiques nécessitant impression et assemblage, sans rapport avec la génération de vidéo numérique animée à partir de texte. Une connexion internet domestique plus rapide est une amélioration de service internet qui n'a rien à voir avec un modèle d'IA produisant du contenu vidéo.

Les premiers extraits de texte vers vidéo montrent souvent d'étranges défauts, comme des mains avec un nombre de doigts incorrect ou des objets qui se traversent mutuellement, soulignant à quel point le réalisme physique reste l'un des aspects les plus difficiles à maîtriser pour ces modèles.