Компания xAI Илона Маска анонсировала новую мультимодальную технологию, которая поможет мгновенно преобразовывать текстовые и голосовые запросы в изображения, а затем — в видеоролики со звуком. Инструмент стал доступен подписчикам Grok Heavy и представляет собой одну из ключевых функций ИИ Grok, отмечает IXBT.
Маск заявил, что технология обеспечивает беспрецедентную скорость генерации визуального контента — от создания изображения до финального видео с аудиосопровождением проходит менее 30 секунд, что, по его словам, «быстрее, чем другим ИИ-сервисам требуется на генерацию одного изображения».
Механизм работы стартует с текстового (или голосового) запроса пользователя — система на его основе предлагает несколько вариантов изображений. Пользователь может задавать дополнительные параметры, включая атрибуты или стилистические элементы. В частности, при вводе запроса «нарисуй пингвина» система предлагает серию изображений, которые затем можно дополнить, к примеру, цилиндром, моноклем или другими объектами.
