Emu Video es un método sencillo de generación de vídeo a partir de texto basado en modelos de difusión. El proceso de generación se divide en dos pasos: primero, se genera una imagen a partir del texto proporcionado; luego, se genera el vídeo a partir del texto y la imagen generada. Esta descomposición del proceso de generación permite entrenar de manera eficiente modelos de generación de vídeo de alta calidad. En comparación con métodos anteriores, el nuestro solo necesita dos modelos de difusión para generar vídeos de 512 píxeles de resolución, a 16 fotogramas por segundo y con una duración de 4 segundos.