Китайский стартап StepFun разработала ИИ-модель под названием Step-Video-T2V для генерации видео по текстовому описанию. В отличие от большинства конкурентов, в ней нет ограничений на создание материалов с изображением известных личностей, например, Илоном Маском и Стивом Джобсом.
Step-Video-T2V способна создавать ролики длительностью до 10 секунд. На генерацию одного видео у ИИ-модели уходит около 6 минут.
Нейросеть понимает запросы только на китайском и английском языках. В тексте запроса можно подробно описать персонажа, включая его эмоции, одежду, указать тип съемки, а также добавить надписи на поддерживаемых языках, например, на табличке или плакате.
Демоверсия Step-Video-T2V доступна на сайте проекта, код и веса для локальной установки модели — на GitHub.
