Generation de video par texte

Définition

La generation de video par texte, ou text-to-video, est une technologie d'IA generative qui produit des sequences video a partir d'une description textuelle, en etendant les principes des modeles de diffusion image aux dimensions temporelles. Des modeles comme Sora d'OpenAI, Runway Gen-3, Pika ou Veo de Google generent des clips de quelques secondes a plusieurs dizaines de secondes en maintenant la coherence des objets, des mouvements et de l'eclairage entre les images successives, un defi technique nettement superieur a la generation d'image fixe. L'entrainement s'appuie sur de vastes corpus de videos annotees, avec des architectures combinant transformeurs et diffusion spatio-temporelle. Les applications entreprise couvrent la production publicitaire, la creation de contenus de formation et le prototypage rapide de storyboards, avec des reductions de cout de production significatives par rapport au tournage traditionnel. Les risques dominants concernent la creation de deepfakes video difficiles a distinguer d'images reelles, avec des implications en desinformation, usurpation d'identite et fraude, notamment via des attaques de type vishing video lors de visioconferences usurpees. L'AI Act europeen classe ces usages a fort potentiel de manipulation dans des categories de transparence renforcee, imposant un etiquetage explicite des contenus synthetiques diffuses au public.