Компания xAI Илона Маска анонсировала новую мультимодальную технологию, которая позволяет 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, сообщает IXBT.

По словам Илона Маска, 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 начинается с текстового (или голосового) запроса пользователя — система на его основе предлагает несколько вариантов изображений. Пользователь может задавать дополнительные параметры, включая атрибуты или стилистические элементы. Так, при вводе запроса «нарисуй пингвина» система предлагает серию изображений, которые затем можно дополнить, например, цилиндром, моноклем или другими объектами.