Phenaki — исследовательская модель Google Research для генерации видео по текстовому описанию, ставшая заметной в истории развития text-to-video систем. Ее главная особенность связана не только с созданием коротких роликов, а с возможностью генерировать последовательные видеосцены по длинному текстовому сценарию. Для направления нейросетевого видео это важный ориентир, потому что многие ранние модели лучше справлялись с отдельными фрагментами, чем с продолжительным визуальным повествованием. В основе Phenaki лежит подход, при котором видео представляется в виде последовательности компактных токенов. Такая схема похожа на то, как языковые модели работают с текстом, но вместо слов система оперирует визуальными элементами, связанными во времени. Это позволяет модели удерживать структуру сцены, переходы между действиями и общую логику происходящего. Для обработки текстового запроса используется механизм, который связывает описание пользователя с будущей видеопоследовательностью. Особый интерес Phenaki вызвала из-за способности работать с длинными промптами. Пользователь может описать несколько событий подряд, например перемещение персонажа, смену окружения и последовательность действий. Модель пытается превратить это в связный видеоряд, где сцены следуют друг за другом, а не выглядят как набор несвязанных кадров. В этом смысле Phenaki стала одним из ранних примеров систем, ориентированных на видеонарратив, а не только на визуальный эффект. При этом качество генерации Phenaki нужно оценивать в контексте времени ее появления. Современные модели видео на базе диффузионных архитектур и трансформеров уже демонстрируют более высокую детализацию, стабильность объектов и реалистичность движения. Однако Phenaki остается важной разработкой, потому что показала жизнеспособность идеи длинной генерации с учетом текстового сценария. Ее вклад заметен именно в постановке задачи: видео должно быть не единичной анимацией, а последовательным визуальным ответом на сложное описание. Ограничения модели также хорошо отражают проблемы всего направления. Сложные движения, лица, мелкие детали и физика объектов могут искажаться, а длительное сохранение идентичности персонажей остается трудной задачей. Кроме того, такие системы требуют больших вычислительных ресурсов и качественных наборов данных, где текстовые описания точно соответствуют видеоматериалам.