Emu Video est une méthode simple de génération de vidéo à partir de texte, basée sur un modèle de diffusion. Le processus de génération est décomposé en deux étapes : d’abord, une image est générée à partir d'une invite textuelle, puis une vidéo est générée à partir de l'invite et de l'image générée. Cette méthode de génération décomposée permet d'entraîner efficacement des modèles de génération de vidéo de haute qualité. Contrairement aux méthodes précédentes, la nôtre ne nécessite que deux modèles de diffusion pour générer des vidéos d'une résolution de 512 pixels, à une vitesse de 16 images par seconde et d'une durée de 4 secondes.