Vidu vs Genmo

Vidu transforme les invites textuelles, les images fixes et les photos de référence en clips vidéo finis jusqu'à 1080p. Les créateurs indépendants et les équipes de production l'utilisent pour éviter une chaîne de post-production traditionnelle et passer de l'idée à l'exportation directement dans le navigateur. Les modes principaux sont texte-en-vidéo, image-en-vidéo et référence-en-vidéo.

Le mode référence-en-vidéo est ce qui distingue Vidu. Téléchargez jusqu'à sept images pour maintenir la cohérence des personnages, objets et scènes tout au long d'un clip, ou enregistrez des éléments dans Mes Références pour les réutiliser dans des projets ultérieurs. Le modèle Vidu Q3 ajoute un audio natif dans la même passe de génération, de sorte que dialogues, voix off, effets sonores et musique s'intègrent à l'image au lieu d'être ajoutés lors d'une étape de montage séparée.

Les créateurs travaillant dans l'anime, la publicité, le contenu social et le film court utilisent Vidu pour tout, des clips viraux basés sur des modèles aux plans narratifs de 16 secondes avec contrôle caméra au niveau de l'image. Les studios et les marketeurs utilisent également image-en-vidéo pour animer des prises de produits ou changer les arrière-plans publicitaires tout en conservant les sujets conformes au modèle.

Les nouveaux comptes reçoivent des crédits de démarrage, avec davantage disponibles via les connexions quotidiennes, les abonnements et les événements de la plateforme.

Genmo est un laboratoire de recherche qui construit des modèles mondiaux vidéo ouverts, avec Mochi comme ligne phare de génération texte-à-video. Vous pouvez tester la génération dans l'outil en ligne, télécharger les poids pour des utilisations locales ou intégrer via des API partenaires. L'équipe considère la vidéo comme une étape vers des simulateurs du monde capables de comprendre la physique, le mouvement et la continuité des scènes.

Mochi 1 est leur première grande sortie publique : un modèle de diffusion de 10 milliards de paramètres sous licence Apache 2.0, entraîné de zéro sur une architecture Transformer à diffusion asymétrique. La version de prévisualisation produit des clips en 480p à 30fps pendant jusqu'à 5,4 secondes, en mettant l'accent sur la fidélité à la consigne et un mouvement réaliste plutôt que sur la qualité de l'image statique.

Les chercheurs et développeurs ont accès aux poids en open source sur Hugging Face, au code source sur GitHub, et bénéficient du support de ComfyUI pour des pipelines personnalisés. Les créateurs et marketeurs utilisent l'outil en ligne hébergé pour prototyper des scènes sans avoir à exécuter des GPU localement. Le laboratoire publie également des articles techniques et des benchmarks comparant Mochi à des générateurs vidéo commerciaux fermés.