MotionClone est un framework sans entraînement préalable qui permet le clonage de mouvement à partir d'une vidéo de référence pour contrôler la génération de vidéo à partir de texte. Il utilise un mécanisme d'attention temporelle pour représenter le mouvement dans la vidéo de référence lors de l'inversion vidéo, et introduit un guidage d'attention temporelle principal pour atténuer l'influence du bruit ou des mouvements très subtils dans les poids d'attention. De plus, afin d'aider le modèle génératif à synthétiser des relations spatiales cohérentes et à améliorer sa capacité de suivi des invites, un mécanisme de guidage sémantique perceptif de la position, utilisant la position approximative du premier plan dans la vidéo de référence et la position des caractéristiques de guidage libre du classificateur initial, est proposé.