Show-1 es un modelo eficiente de generación de vídeo a partir de texto. Combina modelos de difusión a nivel de píxeles y de variables latentes, permitiendo generar vídeos altamente relevantes con el texto y de alta calidad con bajos requisitos de recursos computacionales. Primero, genera un vídeo preliminar de baja resolución con un modelo a nivel de píxeles, y luego lo aumenta de resolución a alta resolución usando un modelo de variables latentes, combinando así las ventajas de ambos modelos. En comparación con los modelos puramente latentes, Show-1 genera vídeos con una asociación textual más precisa; y en comparación con los modelos puramente de píxeles, su coste computacional es menor.