Text to video model (zkráceně T2V) je typ generativního modelu umělé inteligence, který na základě vstupního textového popisu (promptu) v přirozeném jazyce generuje video odpovídající tomuto popisu.
Text-to-video modely se vyvíjejí od začátku 2020 jako další vývojová fáze po text to image modelech. První významné modely se objevily v roce 2022 (např. CogVideo, Make-A-Video, Imagen Video), avšak širší pozornost a kvalitativní průlom přišel v letech 2024–2025 s modely jako OpenAI Sora, Google Veo, Runway Gen-3, Kling, Luma Dream Machine nebo LTX.
Podobně jako text to image modely bývají i text to video modely založeny především na architekturách difúzních modelůhttps://arxiv.org/abs/2405.03150, často v latentním prostoru, kombinovaných s transformery. Některé novější modely používají přímo nativní video-generativní architektury (např. transformer-based nebo flow-matching). Modely se trénují se na obrovských datasetech videí a jejich popisů.
Přehled modelů
Americké
OpenAI: Sora Runway Google: Veo Omni Pika (Pika Labs) Luma AI (Luma Labs) Muse (Meta) STARFlow-Vhttps://arxiv.org/abs/2511.20462
Á=== Asijské ===
Seedance (ByteDance) Kling AI (Kuaishou) PixVerse (AIsphere) Hailuo AI (MiniMax) Vidu (ShengShu) Hunyuan Video (Tencent) Wan 3.0
Evropské
Flux (Black Forest Labs)
Odkazy
Reference
Kategorie:Umělá inteligence