Réseaux de Neurones pour la Génération de Vidéos - Un Bref Aperçu de Veo 3

Recommandation : Pour générer des clips de preuve-de-concept, commencez avec Veo 3 et générez des clips courts de 2 à 4 secondes dans le genre que vous ciblez, en utilisant un prompt concis pour valider les idées rapidement et seulement avec quelques itérations. Cette approche fonctionne pour n’importe quel public et n’importe quel budget, avec validation à travers les frontières de secondes.

Veo 3 combine un backbone de diffusion avec des modules temporels pour maintenir la cohérence des scènes ; vous pouvez assurer une continuité semblable à du caoutchouc afin que les objets se déplacent en douceur à travers les frontières de secondes, avec une touche de vent guidant le mouvement et réduisant le scintillement. La conception est inspirée de la recherche de DeepMind pour stabiliser les longues séquences et maintenir l’identité à travers les frames.

Dans la famille des modèles, la nouvelle architecture fusionne la diffusion avec des transformers dans un ensemble modulaire, dans lequel décrivez les prompts précisément pour contrôler le contenu, l’humeur et la fidélité du genre. Le corpus d’entraînement inclut environ 1,2 million de clips, chacun de 2 à 6 secondes de long, avec des résolutions de 512×512 à 1024×1024. Le conditionnement temporel aide à maintenir l’identité à travers les frontières de secondes, et le système reste robuste à une variété d’éclairages et de mouvements ; cette flexibilité est ce qui rend le contrôle de style pratique à grande échelle.

Pour une utilisation pratique, commencez avec une hiérarchie de prompts stable : les prompts textuels décrivent les éléments de scène, tandis que les contrôles de style correspondent à la garde-robe et à l’éclairage. Un bouton clé lie les prompts au conditionnement. Dont vous ajustez pour maintenir l’humeur cohérente à travers la séquence. Ajoutez un upsampler léger pour passer de 512×512 à 1024×1024 si nécessaire. Évaluez avec FVD et LPIPS ; attendez des améliorations après chaque cycle de raffinement, et concentrez les tests précoces sur la nouvelle esthétique, puis resserrez le mouvement.

Conseils de flux de travail : gardez les sorties légères pour éviter le surapprentissage ; stockez seulement trois à cinq variantes par prompt ; testez sur n’importe quel GPU qui supporte la précision mixte. Lorsque vous planifiez un actif comme un clip de mode, vous pouvez rendre une séquence avec une robe ou une veste de garde-robe, en ajustant les couleurs et les textures de tissu en utilisant un petit réseau de contrôle. Avec Veo 3, vous pouvez itérer rapidement sur la fidélité de style et de genre, tout en maintenant des contraintes éthiques et le filigrane.

Les itérations ultérieures consolident le pipeline : vous optimisez le tempo, l’échelle et la résolution, puis affinez finalement le mouvement et l’espace colorimétrique. Si vous voulez explorer plus, essayez le conditionnement sur les indices d’éclairage et de mouvement, et expérimentez avec des transitions postérieures. Le résultat est une approche pratique et flexible de la génération vidéo neuronale qui s’adapte à n’importe quel flux de production.

Réseaux Neuronaux pour la Génération de Vidéo : Aperçu de Veo 3 et Génération de Parole et de Son Audio

Fondations de Veo 3 et Dynamiques Visuelles

Recommandation : calibrez Veo 3 avec une base de 6 à 8 secondes, 24 fps, 1080p, audio stéréo. Utilisez trois prompts (prompts) qui correspondent à chaque plan, en assurant une dynamique pour chaque frame. Veo 3 se distingue excellent par le maintien de la cohérence temporelle à travers les frames et par le conditionnement sur les indices audio. Incluez un motif de Tokyo pour ancrer l’humeur, avec des enseignes au néon, des reflets pluvieux et des textures granuleuses subtiles. Ajoutez un mélange de genre surréaliste pour tester la capacité du modèle pour les détails abstraits ; incluez des textures de laine dans les intérieurs pour une profondeur tactile. Dans le cadre du projet, affinez le niveau de détail pour chaque frame, en escaladant des silhouettes larges aux gros plans ; surveillez les frames générées pour la cohérence. Utilisez un éclairage fané pour créer une atmosphère semblable à un souvenir. Créez proactivement des prompts (prompt) qui spécifient un cadrage cinématographique, un mouvement de caméra et un éclairage pour guider le pipeline vidéo. Pour les aspects de travail, alignez la vidéo et l’audio autour des landmarks de la station ; différentes entreprises adoptent ces flux de travail pour scaler les sorties. Les prompts eux-mêmes (que vous rédigez) peuvent explorer comment le mouvement actif affecte l’humeur, car les scènes de bottes ancrent la présence du personnage. Vous pouvez exécuter des tests indépendants en ajustant les prompts pour voir comment les dynamiques changent dans la même séquence de frames.

Génération de Parole et de Son Audio

Dans Veo 3, générez l’audio en tandem avec les visuels : synthétisez la parole pour la narration à l’écran ou le dialogue et ajoutez des éléments musicaux (musique) pour correspondre à l’humeur de la scène. Commencez avec une station de base de son ambiant et une piste, puis ajoutez des effets sonores timed aux événements de frame. Pour chaque scène, créez les prompts audio (prompts) décrivant le tempo, le timbre et la plage dynamique ; gardez un niveau de clarté élevé et un rythme stable. Utilisez des modèles de voix qui peuvent être contrôlés indépendamment pour s’aligner avec les personnages. Assurez que l’audio généré est au même tempo que le pacing vidéo ; ajustez la réverbération et les indices de pièce pour correspondre à la taille de la station. Itérez sur les prompts (prompt) pour raffiner l’équilibre entre le dialogue, l’ambiance et la musique, en obtenant un sentiment cinématographique cohérent sans dominer les visuels. Le couplage de musique active et de parole aide le public à rester engagé dans les frames de chaque scène. Les paramètres eux-mêmes peuvent être ajustés pour convenir à différents genres et humeurs.

Architecture Système de Veo 3 : Modules Principaux pour la Synthèse Vidéo et Audio

Déployez une architecture à trois modules : générateur de prompts pour traduire l’intention en prompts concrets, un cœur de synthèse visuelle pour générer des séquences d’images, et un cœur de synthèse audio dédié pour rendre le son. Cette séparation permet un réglage indépendant et autorise le hot-swapping des back-ends. L’API inclut un ensemble compact de commandes et indique le statut via des messages concis, avec un chemin d’abonnement pour les mises à jour continues. Pour les scènes de nuit urbaine, les indices de Tokyo guident les choix d’éclairage et de texture, aidant à créer une atmosphère qui s’aligne avec le prompt de l’utilisateur.

Maintenant, la conception met l’accent sur une intégration simple et une modularité, en tirant parti de technologies communes qui facilitent la réutilisation à travers les projets. Les sorties du générateur de prompts incluent des champs pour le style, le tempo et l’humeur, que les cœurs vidéo et audio consomment en parallèle. Des structures de données cohérentes assurent la compatibilité entre les modules, et chaque bloc peut s’améliorer indépendamment sans déstabiliser l’ensemble du système. Quand il faut faire une itération rapide, les développeurs peuvent ajuster les valeurs de paramètres en un seul endroit et observer des effets immédiats sur l’image visuelle et le son.

Modules Principaux et Interfaces

Le générateur de prompts traduit les idées de l’utilisateur en prompts structurés qui décrivent les frames d’images, l’éclairage, et les émotions. Le cœur de synthèse vidéo crée le flux visuel, en supportant des matériaux très détaillés et des textures haute fidélité, incluant le rire et d’autres indices qui enrichissent la profondeur de la scène. Le cœur de synthèse audio rend les paysages sonores, la voix et les effets, incluant non seulement la musique mais aussi les sons environnementaux qui complètent les visuels. Le système indique le statut à travers un bus d’événements lean, permettant aux développeurs de surveiller en temps réel et d’ajuster les paramètres d’abonnement si nécessaire. Le contrat de données utilise des payloads légers semblables à JSON, incluant des champs pour les images, l’audio et les paramètres de lumière.

Pour garder les sorties cohérentes, chaque pipeline de frame inclut la gestion de la lumière, les transitions de matériaux et les marques de synchronisation. Quand les scènes à venir nécessitent une coordination, l’architecture synchronise les indices de timeline à travers le flux vidéo et le flux sonore, en assurant un alignement émotionnel et une expérience utilisateur unifiée. Les concepteurs peuvent créer des datasets qui incluent des textures inspirées de Tokyo et des silhouettes urbaines, puis appliquer des ajustements atmosphériques via un ensemble compact d’étapes de post-traitement qui préservent les performances sur du matériel de milieu de gamme.

Notes d’Implémentation et Recommandations

Commencez avec une API légère, versionnée et un petit ensemble de prompts principaux pour valider la boucle avant d’étendre à des prompts plus complexes. Utilisez un système de checkpointing modulaire pour sauvegarder les résultats intermédiaires et permettre un rollback si une scène se désaligne visuellement, sonorement ou émotionnellement. Pour un déploiement rapide sous abonnement, pré-emballez des matériaux communs et des presets de lumière pour réduire les temps de chargement, et fournissez des templates que les utilisateurs peuvent adapter sans connaissances techniques profondes. Dans les tests, mesurez la latence du génération du générateur de prompts au rendu de frame, visant moins de 200 ms pour les sessions interactives et moins de 500 ms pour les previews cinématographiques.

La documentation devrait inclure des exemples clairs (disant comment ajuster l’atmosphère, incluant des prompts d’échantillon qui référencent Tokyo, l’atmosphère et les émotions). Le système supporte maintenant un swapping facile des back-ends, donc les équipes peuvent expérimenter avec de nouvelles technologies tout en maintenant une base stable. En se concentrant sur l’image visuelle, la texture sonore et un générateur de prompts convivial, Veo 3 délivre un framework composable qui peut scaler des idées rapides aux épisodes polis, avec des résultats très prévisibles pour la qualité d’image et la fidélité audio. La combinaison du générateur de prompts, du cœur de synthèse visuelle et du cœur de synthèse audio rend cela straightforward pour délivrer des images, des moments de rire et des sons immersifs qui s’alignent avec l’intention de l’utilisateur et la direction créative.

Pipelines de Données et Prétraitement pour l’Alignement Audio-Visuel dans Veo 3

Commencez avec un pipeline d’ingestion étroitement couplé qui stream les frames vidéo à 30–60 fps et l’audio à 16–48 kHz, en utilisant un timestamp partagé pour garantir l’alignement. Cette approche permet aux clips selfie de rester synchronisés avec les pistes musicales et les narrations générées. Il enregistre des métadonnées telles que les personnages et les vêtements (veste, laine) et le nom de chaque clip, permettant un matching croisé-modal précis à travers les clips et les scènes. Dans Veo 3, cela réduit la dérive et abaisse le coût de traitement en évitant le ré-encodage de segments mal assortis.

Ingestion et Synchronisation

Configurez une disposition de stockage friendly au streaming avec des manifests par plan et des vérifications robustes qui gardent la dérive de timestamp dans ±20 ms sous jitter. Ce design gère les dispositifs qui shootent des selfies, des personnages et d’autres clips, en assurant que les modules downstream reçoivent une timeline cohérente. Gardez des champs pour le nom du personnage (nom) et les tags de garde-robe afin que le modèle puisse exploiter des vêtements comme veste et laine pendant les tests d’alignement.

Exposez une API propre pour les modules downstream et supportez la livraison incrémentale, donc un nouveau clip ne nécessite pas une analyse complète répétée. Cette approche permettra aux équipes de gérer des datasets croissants et de maintenir une base stable pour les expériences d’alignement audio-visuel.

Prétraitement et Robustesse d’Alignement

Prétraitement des frames en normalisant la couleur, en redimensionnant à une résolution fixe et en stabilisant la vidéo pour réduire le jitter de mouvement. Extrayez des features visuelles de la ROI de la bouche et du haut du corps pour supporter l’alignement lip-sync, et calculez des mel-spectrogrammes pour la musique et d’autres sons. Suivez les gestes et les indices de pose comme ancres d’alignement ; cela améliore la gestion des performances expressives où les visages sont partiellement occlus ou les vêtements couvrent les features.

Augmentez les données avec des variations d’éclairage, d’occlusion et de garde-robe (vêtements) pour améliorer la généralisation. Taggez les datasets avec des personnages et des clips, donc le modèle apprend à aligner à travers les scènes ; cela est particulièrement utile pour le contenu qui inclut des selfies, de la musique et des narrations. Le pipeline de prétraitement devrait être spécialement conçu (spécialement) pour supporter les mécanismes d’attention de Veo 3 et garder le coût prévisible pendant que vous scalez.

Lip-Sync, Prosodie et Personnalisation de Voix dans le Contenu Vidéo Généré

Commencez avec un réseau neuronal qui mappe les timings de phonèmes à des formes de visèmes et verrouille la réplique à chaque plan. Fournissez l’audio d’un pipeline textuel dans un vocodeur haute fidélité et drivez le rig de bouche frame par frame afin que les lèvres bougent avec le timing de phonème avec un jitter très bas. Entraînez sur un dataset source large et diversifié qui couvre les plages d’âge et les dialectes pour supporter de nouveaux avatars. Testez des scènes où le sujet porte des lunettes ou non, et confirmez le regard des yeux (yeux) et les mouvements globaux restent cohérents avec la parole.

Les contrôles de prosodie gèrent la hauteur, la durée et l’énergie ; associez un prédicteur de prosodie détaillé avec le vocodeur neuronal pour refléter le cadence du locuteur. Si la scène inclut une blague, atterrissez le punchline avec un tempo précis et une intonation montante. Alignez l’audio à la livraison originale donc les auditeurs perçoivent une émotion authentique, et mesurez l’alignement avec MOS et des métriques focalisées sur la prosodie. Visez en dessous de 0,05 seconde de désalignement pour garder le timing de plan serré et naturel.

La personnalisation de voix s’ouvre avec des options d’abonnement pour choisir des voix d’avatar et ajuster des paramètres comme l’âge, le genre et les accents régionaux. Utilisez une boucle de fine-tuning de style dolly pour façonner le timbre, le taux de parole et le cadence, puis offrez de nouvelles variantes (nouvelles) qui retiennent la profondeur sans imiter des individus réels. Assurez que la profondeur de la voix complète les mouvements faciaux (profondeur), surtout quand l’avatar est en lunettes, et fournissez un étiquetage clair de voix synthétique versus contenu original (original).

Pour gérer les cas limites, considérez des chemins de contournement pour les shifts rapides de vitesse, le dialogue chevauchant et les bords de souffle. Maintenez des transitions fluides entre les blocs de phonèmes et préservez le contact visuel naturel (yeux) et la pose de tête à travers les mouvements (mouvements) dans chaque plan. Utilisez un post-traitement large pour réduire le jitter résiduel et vérifiez la cohérence à travers les frames en utilisant une seed fixe pour la reproductibilité dans la même source.

Évaluez les visuels avec un ensemble de métriques combinées : alignement phonème-à-visème, erreur lip-sync et similarité de prosodie, plus un check perceptuel sur le timing d’humour pour les blagues et l’authenticité perçue de la voix (textuel). Quand un spectateur sélectionne une voix sous abonnement, montrez un plan de preview rapide et une comparaison profonde contre l’original, donc vous pouvez itérer avant le rendu final (aperçu ci-dessous). Maintenez des sauvegardes éthiques en signalant l’origine synthétique et en évitant la réplication non autorisée de voix réelles tout en gardant la réplique naturelle et engageante.

Métriques et Évaluation : Cohérence Audio-Vidéo, Clarté de la Parole et Réalisme du Son

Recommandation : imposez une limite lip-sync de 40 ms et poussez pour une cohérence croisée-modale CM-AS au-dessus de 0,85, tout en obtenant un MOS autour de 4,2–4,6 pour une parole naturelle. Construisez une boucle d’évaluation automatisée en utilisant un ensemble de test diversifié qui inclut des prompts russes et des variations du monde réel ; assurez l’accès via un générateur de prompts robuste et suivez comment le réseau neuronal gère les features tendues, textuelles et narratives long-forme en vidéo. Incluez des prompts concrets comme grand-mère en cardigan dans des scènes de style comique pour stresser l’éclairage, l’éclairage bleu et le bruit de fond lourd, puis mesurez la voix et la cohérence des mouvements de tête. Le pipeline devrait s’exécuter sur des formats vidéo et ne pas utiliser de placeholders génériques ; reposez-vous sur des données de baselines inspirées de DeepMind pour fixer les attentes et itérer rapidement. Maintenant, mesurez la granularité en secondes, la stabilité de la station et commencez l’évaluation dans le premier ensemble de scènes de test, puis comparez aux baselines établies précédemment pour calibrer le style (style, style) et la variation pilotée par prompt.

Métriques Clés et Cibles

• Cohérence Audio-Vidéo : score d’alignement croisé-modal (CM-AS) avec des features audiovisuelles synchronisées ; cible ≥ 0,85 ; erreur lip-sync ≤ 40 ms en moyenne à travers les scènes ; évaluez à travers des clips de 30–60 secondes et de multiples conditions d’éclairage.

• Clarté de la Parole : intelligibilité objective via STOI ≥ 0,95 et PESQ 3,5–4,5 ; Mean Opinion Score (MOS) 4,2–4,6 pour la naturalité ; testez à travers des scènes calmes et bruyantes avec des accents variés, incluant des échantillons audio russes.

• Réalisme du Son : acoustique de pièce naturelle et gestion du bruit ambiant ; RT60 dans les pièces intérieures 0,4–0,6 s ; loudness perçue dans la plage -23 à -20 LUFS ; SNR > 20 dB dans des scènes challenging ; assurez une réverbération réaliste à travers les formats.

• Robustesse des Prompts et du Contenu : utilisez un ensemble diversifié de prompts générés par le générateur de prompts pour couvrir les variations tendues et textuelles ; vérifiez que le réseau neuronal reste capable (capable) de maintenir la cohérence quand des shifts de style (style/style) se produisent et que les changements d’éclairage (éclairage) varient du daylight aux scènes teintées en bleu.

• Réalisme Sous Variation de Style : testez avec des exemples de scènes concrètes (vidéo) telles que grand-mère en cardigan performant un monologue court dans un contexte comique ; vérifiez que les mouvements de tête (têtes) et la qualité vocale (voix) restent alignés avec l’image, et que le switching entre tons formels et casuels ne dégrade pas l’alignement ou l’intelligibilité.

Déploiement et Inférence en Temps Réel : Latence, Débit et Directives Matériel

Recommandation : ciblez une latence par frame en dessous de 16 ms pour 720p60 et en dessous de 28 ms pour 1080p30, en utilisant batch=1 et un serveur d’inférence streaming avec I/O asynchrone pour garder le pipeline réactif. Assurez que le traitement end-to-end reste sous 40 ms sur des réseaux externes typiques, avec décodage et post-traitement inclus dans le budget. Les nombres (nombres) proviennent d’un profilage minutieux de chaque étape, et l’objectif est un résultat visuellement fluide même pour des scènes complexes où un personnage se déplace à travers du bruit de fond. Un seul dispositif devrait gérer la majorité des scénarios de production, mais un setup externe scalable devient nécessaire pour de grands streams vidéo avec des descriptions visuelles riches et des humeurs musicales riches. L’approche montre courtoisement comment maintenir une sortie visible avec des opérateurs optimisés pour Gemini et une source robuste (source) de vérité pour les descriptions, la voix et les indices de mouvement. Si un pipeline dépasse la limite, vous devriez déterminer le goulot d’étranglement à l’inférence, I/O ou post-traitement et ajuster la composition ou la compression en conséquence. Peut-être, vous pourriez avoir besoin de réduire la taille du modèle, mais l’objectif principal reste : faible latence avec des résultats déterministes, même quand l’entrée inclut des genres musicaux ou des descriptions textuelles descriptives (descriptions) d’un personnage.

Les exigences de latence et de débit doivent s’aligner avec le cas d’utilisation prévu : clips short-form, descriptions musicales long-tail ou génération live en temps réel. En pratique, le flux de travail doit maintenir un timing de frame stable (déterminé par la frame la pire) et fournir une marge pour le trafic burst quand les sources incluent de la musique multi-genre (genres musicaux) ou la synthèse de voix (voix). L’objectif est d’éviter la désinformation dans les captions générées et de garder la sortie aussi précise que possible par rapport aux métadonnées source (source) fournies, tout en préservant l’intention créative (descriptions) et la cohérence du personnage. Dans les sections suivantes, nous décrivons des cibles concrètes et des configurations matérielles recommandées qui équilibrent latence, débit et coût, tout en gardant la sortie visuellement cohérente (visible) à travers les genres et styles.

Cibles de Latence et de Débit

Pour le contenu 720p, visez une capacité de 60 fps avec latence par frame sous 16 ms, incluant I/O et décodage. Pour le contenu 1080p, ciblez 30 fps avec latence end-to-end sous 28 ms. Quand la charge de travail inclut des scènes visuelles denses (détail grand), utilisez une taille de batch de 1 pour des résultats déterministes, et activez le buffering asynchrone pour cacher la latence I/O. Observer ces cibles aide à maintenir un mouvement perçu fluide, surtout pour l’animation rapide de personnage et les scènes avec mouvement de fond. Dans un environnement multi-source, gardez le pipeline déterminé par l’étape la plus lente (décodage, inférence modèle ou post-traitement) et concevez autour d’un plafond dur pour empêcher les pics de se propager dans la sortie de rendu. Les sorties visibles devraient s’aligner avec les attentes des consommateurs pour les genres short-form et long-form (genres) et éviter les artefacts qui pourraient confondre les spectateurs (désinformation).

Directives Matériel et Scénarios de Déploiement

Déployez on-device pour les besoins de faible latence quand acceptable : un seul GPU haut de gamme (par exemple, une grande carte consumer ou workstation) avec mémoire rapide et un chemin PCIe faible latence. Pour le déploiement externe (externe), scalez à travers de multiples GPUs et utilisez un serveur d’inférence dédié pour supporter un débit plus élevé et des cibles 4K-like. Dans les sources externes, une stack accélérée par Gemini avec Triton ou pipelines TensorRT custom peut délivrer de fortes performances pour des descriptions complexes (description) et génération multi-voix (voix) en parallèle. Directives clés :

• Edge (720p60, batch=1) : RTX 4090 ou RTX 4080, 24–20 GB mémoire, optimisation TensorRT, latence end-to-end 12–16 ms, débit ~60 fps, idéal pour les flux de travail en temps réel avec détail de surface visible.
• Edge (1080p30) : RTX 4080 ou carte classe A6000, 16–20 GB, latence 20–28 ms, débit ~30 fps, adapté quand la latence réseau est une contrainte ou le budget puissance est serré.
• Cluster cloud externe (multi-GPU) : 4× H100-80GB ou A100-80GB, mémoire agrégée 320 GB+, latence 8–12 ms par frame, débit 120–240 fps pour 720p, 60–120 fps pour 1080p, en utilisant un serveur streaming scalable (e.g., Triton) et une source de données robuste (source) pour descriptions, indices musicaux et mouvement facial.

Les directives mettent aussi l’accent sur la readiness de déploiement : utilisez un pipeline scalable qui supporte une couture propre entre les genres (genres) et la synthèse de voix (voix), avec un focus sur le maintien d’une sortie stable et déterministe. Le pipeline externe devrait présenter un faible temps d’aller-retour au client, comme visible pour les utilisateurs finaux, et les données devraient être streamées d’une source externe fiable (source) avec des timings déterministes. Quand tuning, suivez des métriques concrètes (nombres) telles que le temps de frame, l’utilisation du dispositif, la bande passante mémoire et la profondeur de queue ; ces mesures déterminent la meilleure configuration pour votre charge de travail. Si un problème surgit, collectez des logs de l’engine d’inférence et de la couche streaming ; les données devraient montrer où la latence ou le débit se détériore et vous permettre de composer un fix ciblé (élaborer un plan) plutôt qu’une réécriture large. Pour les sorties pilotées par musique, incluez des descriptions musicales (descriptions musicales) qui s’alignent avec la scène, tout en gardant contre des sources subtiles de désinformation (désinformation) qui pourraient égarer les spectateurs sur la source (source) ou l’intention du personnage. Le résultat devrait être un setup robuste qui scale du prototypage exploratoire à la production, avec un chemin clair pour optimiser les modèles pour des genres spécifiques (descriptions, genres) et voix (voix) sans sacrifier les cibles de latence.

Configuration	GPUs	Mémoire	Cible de latence (ms)	Débit (fps)	Notes
Edge : 720p60 (batch=1)	RTX 4090	24 GB	12–16	60	TensorRT + I/O streaming, sortie de style veste autorisée ; résultats visibles, exemples appelants
Edge : 1080p30	RTX 4080	16–20 GB	20–28	30	Résolution plus basse, décodage plus rapide ; utilisable pour le rendu in-browser
Cloud Externe : multi-GPU	4× H100-80GB	320 GB (agrégée)	8–12	120–240	Stack Triton/Gemini-accélérée ; supporte des personnages complexes et synthèse de voix (voix) ; genres musicaux