Компания HiDream представила HiDream-O1-Video-1.0 (HD-V1) — нативно омнимодальную модель для генерации видео. Система способна одновременно обрабатывать текстовые промпты, изображения и исходные видеофайлы для создания роликов в разрешении 1080p.

Ключевой особенностью модели является акцент на физической и временной согласованности объектов, что позволяет избежать типичных для нейросетей искажений геометрии и «плавления» персонажей. На текущий момент модель доступна только через API.

• Модель генерирует видео длительностью от 5 до 20 секунд.
• Архитектура базируется на концепции Pixel-level Unified Transformeri, которая кодирует разные модальности в общем пространстве без использования отдельных VAEi.
• Система поддерживает нативную синхронизацию аудио и видео без необходимости пост-обработки.
• API позволяет использовать два типа видеовхода: base (для редактирования) и feature (как референс для характеристик).
• Модель занимает 8-е место в рейтинге Arena.ai (Image-to-Video) и 4-е место в категории Image-to-Video (With Audio) на Artificial Analysis.
• Открытый исходный код и веса модели пока не опубликованы, однако эксперты ожидают их появления, учитывая опыт с предыдущей моделью O1-Image.