Emu Video ist eine auf Diffusionsmodellen basierende, einfache Methode zur Text-zu-Video-Generierung. Der Generierungsprozess wird in zwei Schritte unterteilt: Zuerst wird anhand einer Textaufforderung ein Bild generiert, anschließend wird auf Basis der Aufforderung und des generierten Bildes ein Video erstellt. Diese aufgeteilte Generierungsweise ermöglicht ein effizientes Training von hochwertigen Video-Generierungsmodellen. Im Vergleich zu bisherigen Methoden benötigt unsere Methode lediglich zwei Diffusionsmodelle, um Videos mit einer Auflösung von 512 Pixeln, einer Bildrate von 16 Bildern pro Sekunde und einer Länge von 4 Sekunden zu generieren.