Text-to-video (texte vers vidéo)

Le text-to-video (texte vers vidéo) désigne les modèles d'IA générative capables de produire une séquence vidéo à partir d'une simple description textuelle (un prompt). C'est l'extension à la vidéo du text-to-image : au défi de générer des images plausibles s'ajoute celui de la cohérence temporelle — les objets, personnages et décors doivent rester stables et se déplacer de façon réaliste d'une image à l'autre, avec un mouvement fluide. Les architectures récentes combinent généralement des modèles de diffusion et des transformeurs : la vidéo est représentée comme une suite de « patches » spatio-temporels que le modèle apprend à débruiter, souvent dans un espace latent compressé pour réduire le coût de calcul. OpenAI a marqué les esprits en 2024 avec Sora ; Google (Veo), Runway, Pika ou Kling proposent des modèles comparables. Les clips générés restent courts (de quelques secondes à environ une minute) et peuvent présenter des incohérences physiques (objets qui apparaissent ou se déforment). Les usages explorés vont du prototypage publicitaire à l'illustration et au cinéma, mais soulèvent des questions de droits d'auteur, de désinformation (hypertrucages) et de coût énergétique. C'est l'une des frontières les plus actives de l'IA générative.