通過Dall-E、Midjourney和CrAIyon等AI工具，普通用戶也可以輸入一些簡單的文本內容，經過人工智能加工之後生產媲美藝術傢的藝術插圖。而Meta最新推出的Make-A-Video工具則讓AI藝術生成工具更近一步，隻要一些簡單的文字就可以生成視頻。
結果令人印象深刻且多種多樣，而且毫無例外地都有些令人毛骨悚然。我們以前見過文本到視頻模型——它是文本到圖像模型（如 DALL-E）的自然擴展，它從提示中輸出靜止圖像。但是，雖然從靜止圖像到移動圖像的概念跳躍對於人類大腦來說很小，但在機器學習模型中實現卻絕非易事。
例如輸入“A dog wearing a Superhero outfit with red cape flying through the sky”，就會生成下面短視頻：
例如“A teddy bear painting a portrait”，就會生成
Meta 的研究人員表示，僅文本輸入生成圖像的模型在生成短視頻方面同樣有效。AI 使用現有的有效擴散技術來創建圖像，該技術本質上是從純視覺靜態“去噪”到目標提示的反向工作。這裡要補充的是，該模型還對一堆未標記的視頻內容進行無監督訓練（也就是說，它在沒有人類強烈指導的情況下檢查數據本身）。
Meta 的研究人員寫道：“在空間和時間分辨率、對文本的忠實度和質量的所有方面，Make-A-Video 設置文本到視頻生成的最新技術水平，由定性和定量測量決定”。