ConsisID es un modelo de generación de vídeo a partir de texto con preservación de identidad basado en la descomposición de frecuencia. Genera vídeos de alta fidelidad consistentes con la descripción textual de entrada mediante el uso de una señal de control de identidad en el dominio de la frecuencia. Este modelo no requiere un ajuste fino engorroso para diferentes casos y puede mantener la coherencia de la identidad del personaje en los vídeos generados. La propuesta de ConsisID impulsa el desarrollo de la tecnología de generación de vídeo, especialmente en lo que respecta a flujos de trabajo sin ajuste y esquemas de control de preservación de identidad sensibles a la frecuencia.