El modelo Etna emplea una arquitectura de difusión, combinada con convoluciones espacio-temporales y capas de atención. Esto le permite procesar datos de vídeo y comprender la continuidad temporal, generando así contenido de vídeo con una dimensión temporal. Este modelo se ha entrenado en un gran conjunto de datos de vídeo, utilizando estrategias de aprendizaje profundo como entrenamiento a gran escala, optimización de hiperparámetros y ajuste fino, para asegurar un rendimiento y una capacidad de generación robustos.