Emu Video

Emu VideoはMetaが2023年11月に発表した、テキストから動画を生成する研究モデルで、MetaのEmu画像生成モデルの上に作られています。テキストのプロンプトからいきなり動画を生成するのではなく、作業を2段階に分けます。まずEmuを使ってプロンプトから静止画を生成し、次に、テキストとその画像の両方を条件にして動画を生成します。Metaによると、この分割した方式のおかげで、GoogleのImagen VideoやMeta自身のMake-A-Videoのような以前のシステムが頼っていた、別々のモデルを何段も重ねるカスケードが不要になりました。それでいて、より高解像度の出力が得られます。人間による好みの評価では、評価者の大多数が、Imagen VideoやMake-A-Videoよりも、Emu Videoのクリップを選んだとMetaは述べています。公開されたのは研究論文とデモで、一般向けの製品ではありません。その技術は、単体のモデルとしてではなく、のちのMetaの動画機能に生かされました。