Le modèle Etna utilise une architecture de diffusion, combinée à des convolutions spatio-temporelles et des couches d'attention. Cela lui permet de traiter les données vidéo et de comprendre la continuité temporelle, générant ainsi du contenu vidéo avec une dimension temporelle. Entraîné sur un vaste ensemble de données vidéo, le modèle utilise des stratégies d'apprentissage profond, notamment l'entraînement à grande échelle, l'optimisation des hyperparamètres et le réglage fin, afin d'assurer des performances et une capacité de génération robustes.