Текст-ориентированный интерфейс для генеративного создания видеоконтента
A Text-Native Interface for Generative Video Authoring
March 10, 2026
Авторы: Xingyu Bruce Liu, Mira Dontcheva, Dingzeyu Li
cs.AI
Аннотация
Каждый может писать свои истории в свободном текстовом формате — этому мы все учимся в школе. Однако создание повествования с помощью видео требует освоения специализированных и сложных инструментов. В данной статье мы представляем Doki, интерфейс для генеративного видеомонтажа, ориентированный на работу с текстом, который приближает процесс создания видео к естественному процессу написания текста. В Doki написание текста является основным способом взаимодействия: в рамках одного документа пользователи определяют ресурсы, структурируют сцены, создают кадры, редактируют монтаж и добавляют аудио. Мы формулируем принципы проектирования этого подхода, ориентированного на текст, и демонстрируем возможности Doki на ряде примеров. Для оценки его практического применения мы провели недельное исследование с участием пользователей, имеющих разный уровень опыта в создании видео. Данная работа представляет собой фундаментальный сдвиг в интерфейсах для генеративного видео, демонстрируя мощный и доступный новый способ создания визуальных историй.
English
Everyone can write their stories in freeform text format -- it's something we all learn in school. Yet storytelling via video requires one to learn specialized and complicated tools. In this paper, we introduce Doki, a text-native interface for generative video authoring, aligning video creation with the natural process of text writing. In Doki, writing text is the primary interaction: within a single document, users define assets, structure scenes, create shots, refine edits, and add audio. We articulate the design principles of this text-first approach and demonstrate Doki's capabilities through a series of examples. To evaluate its real-world use, we conducted a week-long deployment study with participants of varying expertise in video authoring. This work contributes a fundamental shift in generative video interfaces, demonstrating a powerful and accessible new way to craft visual stories.