Phenaki یک مدل هوش مصنوعی برای تولید ویدیوهایی است که میتوانند مستقیماً از متن چندین دقیقه طول بکشند. همچنین میتوانید از یک تصویر ثابت و یک درخواست ویدیو تولید کنید. رمزگذار-رمزگذار ویدیوی پیشنهادی از نظر کیفیت مکانی-زمانی و تعداد نشانهها در هر ویدیو از تمام خطوط پایه در هر فریم که در حال حاضر در ادبیات استفاده میشوند بهتر عمل میکند. برای تولید نشانههای ویدیویی از متن، از ترانسفورماتور ماسکدار دو طرفه استفاده میکنند که بر روی نشانههای متنی از پیش محاسبهشده شرطی شدهاند. نشانههای ویدیویی تولید شده برای ایجاد ویدیوی واقعی، متعاقباً از حالت توکن خارج میشوند.
