# Generowanie wideo z tekstu i obrazu

EN: **Text-to-video and image-to-video generation** · id `videogen` · aliases: video generation, text-to-video, T2V, image-to-video, I2V, AI video, generowanie wideo, tekst na wideo, obraz na wideo, animacja zdjęcia

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Generowanie obrazu i wideo](https://aiatlasgraph.com/t/imagegen.md) › Generowanie wideo z tekstu i obrazu

## Description

- PL: Tworzenie klipów z opisu tekstowego lub ożywianie obrazu, przy próbie zachowania spójności ruchu i wyglądu między klatkami. Wiele współczesnych systemów korzysta z latentnych modeli dyfuzyjnych i transformerów przetwarzających czas oraz przestrzeń; niektóre generują również zsynchronizowany dźwięk.
- EN: Creating clips from text descriptions or animating an image while trying to preserve motion and appearance across frames. Many contemporary systems use latent diffusion models and transformers that process space and time; some also generate synchronised audio.

## In one sentence

- PL: To tworzenie krótkich filmów przez program na podstawie opisu albo jednego zdjęcia.
- EN: This is software making short videos from a description or a single photo.

## Problem it solves

- PL: Nakręcenie nawet kilkusekundowego ujęcia wymaga kamery, ludzi, miejsca i montażu.
- EN: Filming even a few seconds of footage needs a camera, people, a location and editing.

## What it does

- PL: Tworzy kolejne klatki z uwzględnieniem ruchu i wyglądu sceny, próbując zachować ciągłość; szczegóły mogą zmieniać się niepożądanie.
- EN: It generates frames using scene appearance and motion, trying to preserve continuity; details can still change unexpectedly.

## Everyday example

- PL: Stare zdjęcie babci ożywa na ekranie: uśmiecha się i lekko odwraca głowę, choć nikt tego nie nagrał.
- EN: An old photo of your grandmother comes alive on screen: she smiles and turns her head, though no one ever filmed it.

## This concerns you if you…

- PL: robisz krótkie filmy do sieci lub reklam
- PL: chcesz zobaczyć pomysł na scenę przed nagraniem
- PL: musisz odróżniać prawdziwe nagrania od wygenerowanych
- EN: make short videos for the web or adverts
- EN: want to preview a scene idea before filming
- EN: need to tell real footage from generated

## Keywords

Wan · HunyuanVideo · Sora · Veo 3 · spatiotemporal patches · temporal attention · frame consistency

## How it works

- PL: Generator przetwarza reprezentacje przestrzenne i czasowe warunkowane tekstem lub klatką źródłową. Wspólne odszumianie albo predykcja fragmentów sekwencji wiąże wygląd obiektów z ruchem między klatkami.
- EN: The generator processes spatial and temporal representations conditioned on text or source frames. Joint denoising or sequence-segment prediction links object appearance with inter-frame motion.

## Limits

- PL: Długie sekwencje mogą tracić tożsamość, geometrię i spójność ruchu. Koszt rośnie z czasem oraz rozdzielczością, a realistyczny klip nie gwarantuje fizycznej poprawności.
- EN: Long sequences can lose identity, geometry and motion consistency. Costs grow with duration and resolution, while realistic clips do not guarantee physical correctness.

## Key terms

- PL: **uwaga czasowa**: Łączenie informacji między reprezentacjami różnych klatek.
- PL: **spójność międzyklatkowa**: Zachowanie zgodnego wyglądu i stanu obiektów w kolejnych klatkach.
- EN: **temporal attention**: Connecting information across representations of different frames.
- EN: **inter-frame consistency**: Maintaining consistent object appearance and state across successive frames.

## Know first

- [Modele dyfuzyjne (Diffusion models)](https://aiatlasgraph.com/t/diffusion.md)
- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)

## Examples

- PL: tekst→wideo · obraz→wideo · łaty czasoprzestrzenne · Sora · Veo 3 · Wan · HunyuanVideo
- EN: text-to-video · image-to-video · spacetime patches · Sora · Veo 3 · Wan · HunyuanVideo

## Related topics

Untyped, symmetric "see also" links.

- [Generatywne modele świata dla agentów i robotów (Generative world models for agents and robotics)](https://aiatlasgraph.com/t/worldfoundation.md)
- [Generowanie ruchu postaci z opisu tekstowego (Text-to-motion generation)](https://aiatlasgraph.com/t/textmotion.md)
- [Transformery w modelach dyfuzyjnych i przepływowych (DiT) (Transformers for diffusion and flow models (DiT))](https://aiatlasgraph.com/t/dit.md)

## Sources

- [Wan: Open and Advanced Large-Scale Video Generative Models](<https://arxiv.org/abs/2503.20314>) `wan-2025` · by Team Wan (Alibaba) · sponsored
- [HunyuanVideo: A Systematic Framework For Large Video Generative Models](<https://arxiv.org/abs/2412.03603>) `hunyuanvideo-2024` · by Weijie Kong, Qi Tian, Zijian Zhang, Caesar Zhong i in. (Tencent) · sponsored
- [Video generation (Diffusers docs)](<https://huggingface.co/docs/diffusers/using-diffusers/text-img2vid>) `hf-diffusers-video` · by Hugging Face
- [Veo 3 Model Card](<https://storage.googleapis.com/deepmind-media/Model-Cards/Veo-3-Model-Card.pdf>) `veo-3-model-card-2025` · by Google DeepMind · sponsored
- [Video generation models as world simulators](<https://openai.com/index/video-generation-models-as-world-simulators/>) `sora-tech-report-2024` · by Tim Brooks, Bill Peebles, Connor Holmes, … Aditya Ramesh (OpenAI) · sponsored

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/videogen · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30