Telset.id – Bayangkan bisa membuat video berkualitas tinggi hanya dengan mengetik beberapa kata. Tidak perlu ribet mengedit frame per frame atau menunggu berjam-jam untuk rendering. Itulah yang ditawarkan oleh CausVid, model AI hybrid terbaru dari MIT CSAIL dan Adobe Research yang mampu menghasilkan video mulus dalam hitungan detik.
Selama ini, model generatif seperti SORA dari OpenAI atau VEO 2 Google memang bisa menghasilkan video fotorealistik. Namun, prosesnya lambat dan tidak memungkinkan modifikasi on-the-fly. CausVid hadir sebagai solusi dengan menggabungkan keunggulan dua pendekatan: difusi dan autoregresif. Hasilnya? Kecepatan yang 100 kali lebih cepat dibanding model sejenis, tanpa mengorbankan kualitas.
Guru dan Murid dalam Dunia AI
CausVid bekerja seperti sistem mentor-mentee. Model difusi berperan sebagai “guru” yang sudah terlatih membuat video utuh sekaligus. Ia kemudian melatih model autoregresif (si “murid”) untuk memprediksi frame berikutnya dengan akurat. Gabungan ini meminimalkan “error accumulation” – masalah umum di model autoregresif yang membuat kualitas video menurun di frame akhir.
“CausVid menggabungkan model berbasis difusi yang sudah terlatih dengan arsitektur autoregresif yang biasa ditemukan di model generasi teks,” jelas Tianwei Yin, salah satu peneliti utama proyek ini. Pendekatan hybrid ini memungkinkan pembuatan konten yang cepat sekaligus interaktif.
Dari Pesawat Kertas sampai Mammoth Berbulu
Kemampuan CausVid diuji dengan berbagai skenario kreatif. Model ini sukses membuat adegan seperti:
- Pesawat kertas yang berubah menjadi angsa
- Mammoth berbulu berjalan di tengah salju
- Anak kecil melompat di genangan air
Yang lebih mengesankan, pengguna bisa memodifikasi video di tengah proses. Misalnya, mulai dengan prompt “pria menyeberang jalan”, lalu menambahkan “ia menulis di buku catatan setelah sampai di trotoar”. Perubahan ini diproses secara real-time tanpa perlu render ulang dari awal.
Baca Juga:
Masa Depan Konten Generatif
Selain untuk konten kreatif, CausVid berpotensi digunakan di berbagai bidang:
- Edukasi: Membuat video simulasi pelatihan untuk robot
- Gaming: Merender konten game secara real-time
- Streaming: Menyinkronkan video dengan terjemahan audio
Dalam pengujian, CausVid mencetak skor 84.27 pada dataset text-to-video, mengalahkan model canggih seperti Vchitect dan Gen-3. Kecepatannya yang luar biasa – memotong proses 50 langkah menjadi hanya beberapa aksi – membuka pintu untuk generasi video instan di masa depan.
Jun-Yan Zhu dari Carnegie Mellon University, yang tidak terlibat dalam penelitian ini, menyebut temuan tim MIT sebagai “lompatan besar”. “Ini membuat generasi video jauh lebih efisien. Artinya, kecepatan streaming lebih baik, aplikasi lebih interaktif, dan jejak karbon lebih rendah,” ujarnya.
Dengan perkembangan seperti ini, batas antara imajinasi dan realitas dalam pembuatan konten digital semakin kabur. Siapkah Anda menyambut era di mana video berkualitas Hollywood bisa dibuat hanya dengan beberapa ketikan?
