Veo 3 est un modèle vidéo de Generative AI développé par Google DeepMind, annoncé en 2025. Il est conçu pour créer des vidéos haute résolution à partir de descriptions textuelles, s'appuyant sur les itérations précédentes de la série Veo. Le modèle fait partie des efforts plus larges de Google dans le domaine de l'Artificial intelligence et du Machine learning, ciblant à la fois les professionnels créatifs et les utilisateurs généraux.
Veo 3 génère des vidéos avec un son synchronisé, une fonctionnalité qui le distingue de nombreux systèmes texte-vers-vidéo antérieurs. Il prend en charge des invites qui spécifient le style visuel, le mouvement de la caméra et la composition de la scène, produisant des clips d'une durée maximale de huit secondes à des résolutions allant jusqu'à 1080p. Le modèle s'appuie sur les avancées en Deep learning et en architectures de Transformer (architecture), bien que Google DeepMind n'ait pas divulgué publiquement tous les détails techniques.
Capacités et fonctionnalités
Veo 3 accepte des invites en langage naturel et peut rendre des scènes complexes avec plusieurs objets, un mouvement réaliste et une apparence de personnage cohérente entre les images. Il génère également des effets sonores ambiants et des dialogues, alignant l'audio sur le contenu visuel. Le modèle gère divers styles cinématographiques, notamment le live-action, l'animation et le stop-motion, et peut intégrer des effets visuels comme le ralenti et l'accéléré.
Contrairement aux modèles vidéo antérieurs qui nécessitaient une génération audio séparée, Veo 3 intègre l'audio directement dans la sortie vidéo. Cette capacité est rendue possible par une approche d'entraînement unifiée qui traite à la fois les données visuelles et auditives. Le modèle prend également en charge des tâches d'édition, comme l'extension de clips existants ou la modification d'éléments spécifiques dans une scène.
Sortie et disponibilité
Veo 3 a été annoncé en avril 2025 lors de la conférence des développeurs I/O de Google. Il est devenu disponible via la plateforme Vertex AI de Google Cloud et l'application expérimentale Veo pour certains utilisateurs. Google DeepMind a positionné le modèle comme un outil pour les cinéastes, les annonceurs et les créateurs de contenu, offrant une API pour l'intégration dans des applications tierces.
Le modèle a succédé à Veo 2, lancé fin 2024. Veo 3 a introduit une meilleure adhérence aux invites et une fidélité supérieure, Google rapportant de meilleures performances sur des benchmarks internes pour la qualité vidéo et la précision sémantique. À la mi-2025, le modèle restait en aperçu limité, avec un accès élargi prévu via les services d'abonnement de Google.
Fondement technique
Veo 3 est construit sur une architecture de Neural network qui combine des mécanismes de Multi-Head Attention avec des composants de Residual Network (ResNet). Il emploie un cadre Sequence-to-Sequence (Seq2Seq) pour mapper les jetons de texte aux images vidéo, utilisant un Positional Encoding pour maintenir l'ordre temporel. Le processus d'entraînement intègre des techniques de Data Augmentation pour améliorer la robustesse face à diverses invites.
Google DeepMind n'a pas publié d'article de recherche formel détaillant l'architecture de Veo 3, mais le modèle est compris comme utilisant une approche basée sur la diffusion, similaire à son prédécesseur. Il génère des vidéos en affinant itérativement des représentations latentes bruitées, guidées par des plongements de texte provenant d'un Large language model. Ce processus est optimisé avec des techniques comme le Gradient Clipping et le Learning Rate Scheduling pour assurer un entraînement stable.
Comparaison et impact
Veo 3 concurrence les modèles de génération vidéo d'autres grands laboratoires d'IA, notamment Sora d'OpenAI et les efforts vidéo d'Anthropic. Alors que Sora a attiré l'attention pour sa génération de longs formats, Veo 3 se distingue par son audio intégré et une intégration plus étroite avec l'écosystème de Google, comme youtube et Google Cloud. Le modèle a été utilisé dans des projets pilotes par des agences de publicité et des studios de cinéma, bien que l'adoption commerciale reste naissante.
Les critiques ont noté que Veo 3, comme d'autres modèles vidéo génératifs, soulève des préoccupations concernant l'éthique du Deep learning, y compris un potentiel de mauvaise utilisation pour créer du contenu trompeur. Google DeepMind a mis en œuvre des outils de filigrane et de modération de contenu, mais ces garde-fous ne sont pas infaillibles. La sortie du modèle a contribué aux débats en cours sur l'impact sociétal du Generative AI.
Orientations futures
Google DeepMind prévoit d'étendre les capacités de Veo 3, notamment la génération de vidéos plus longues et des résolutions plus élevées. L'entreprise explore également l'intégration avec d'autres produits d'IA, tels que les outils d'analyse vidéo de Google Cloud et la suite de création de youtube. En 2025, aucun calendrier officiel pour une sortie publique complète n'a été annoncé, mais le modèle devrait évoluer rapidement à mesure que la recherche progresse.
Veo 3 représente une étape significative dans la capacité de l'Artificial intelligence à synthétiser des vidéos réalistes, avec des applications potentielles dans le divertissement, l'éducation et la réalité virtuelle. Son développement souligne le rythme rapide de l'innovation dans le domaine, porté par les avancées dans la conception de Neural network et les ressources computationnelles.