Cet article présente ModelScopeT2V, un modèle de synthèse vidéo à partir de texte, dérivé d’un modèle de synthèse d’images à partir de texte (à savoir Stable Diffusion). ModelScopeT2V intègre des blocs spatio-temporels afin d’assurer une génération cohérente des trames et des transitions fluides entre les mouvements. Le modèle peut s’adapter à un nombre variable de trames lors de l’entraînement comme lors de l’inférence, ce qui le rend adapté aussi bien aux jeux de données image-texte qu’aux jeux de données vidéo-texte. ModelScopeT2V combine trois composants (à savoir VQGAN, un encodeur de texte et un réseau UNet débruitant), totalisant 1,7 milliard de paramètres, dont 0,5 milliard sont dédiés aux capacités temporelles. Le modèle obtient des performances supérieures à celles des méthodes de pointe sur trois métriques d’évaluation. Le code source et une démonstration en ligne sont disponibles à l’adresse suivante : \url{https://modelscope.cn/models/damo/text-to-video-synthesis/summary}.