A geração text-to-video consiste em produzir sequências de vídeo a partir de uma descrição textual, conhecida como prompt. O sistema interpreta o texto e sintetiza fotogramas coerentes entre si, gerando movimento, transições e consistência temporal sem necessidade de filmar nem animar manualmente. Apoia-se em modelos generativos avançados, habitualmente de difusão combinados com arquiteturas de tipo transformer, treinados com grandes volumes de vídeo e as suas descrições associadas.
A sua importância reside no facto de reduzir drasticamente o custo e o tempo de produção audiovisual, abrindo a criação de vídeo a pessoas sem conhecimentos técnicos de edição ou animação. Revela-se útil para a prototipagem de ideias, conteúdo publicitário, protótipos de animação, material educativo e efeitos visuais.
Convém ter presentes algumas limitações práticas:
- Duração: muitos modelos geram clips curtos, de poucos segundos.
- Coerência: podem aparecer artefactos ou inconsistências entre fotogramas.
- Controlo: ajustar detalhes concretos do movimento ou da cena continua a ser difícil.
Exemplos destacados são o Sora da OpenAI, o Veo da Google e o Runway Gen-3.