वीडियोड्राफ्टर एक ऐसा ढाँचा है जो संगत सामग्री वाले बहु-दृश्य वीडियो बनाता है। यह बड़े भाषा मॉडल (LLM) का उपयोग इनपुट संकेतों को एक व्यापक स्क्रिप्ट में बदलने के लिए करता है जिसमें बहु-दृश्य स्क्रिप्ट शामिल होती है, जिसमें घटनाओं, अग्रभूमि/पृष्ठभूमि संस्थाओं और कैमरा गति के विवरण सहित संकेत होते हैं। वीडियोड्राफ्टर स्क्रिप्ट में समान संस्थाओं को पहचानता है और प्रत्येक संस्था के विस्तृत विवरण के लिए LLM से अनुरोध करता है। फिर, प्रत्येक संस्था के विवरण को टेक्स्ट-टू-इमेज मॉडल में इनपुट किया जाता है ताकि प्रत्येक संस्था की संदर्भ छवि बनाई जा सके। अंत में, संदर्भ छवियों, घटना विवरण और कैमरा गति पर विचार करते हुए, एक प्रसार प्रक्रिया के माध्यम से बहु-दृश्य वीडियो उत्पन्न किया जाता है। प्रसार मॉडल संदर्भ छवियों को एक शर्त और संरेखण के रूप में संसाधित करता है ताकि बहु-दृश्य वीडियो की सामग्री की संगति को बढ़ाया जा सके।