CustomVideo एक नवीन ढाँचा है जिसका उद्देश्य कई विषयों पर आधारित पहचान बनाए रखते हुए वीडियो बनाना है। यह उत्पाद सबसे पहले कई विषयों के एक साथ आने को प्रोत्साहित करता है, और फिर एक सरल और प्रभावी ध्यान नियंत्रण रणनीति को डिज़ाइन करता है, जो एक बुनियादी टेक्स्ट-टू-वीडियो डिफ्यूज़न मॉडल के माध्यम से डिफ्यूज़न मॉडल के संभावित स्थान में विभिन्न विषयों को अलग करता है। इसके अतिरिक्त, यह उत्पाद दिए गए संदर्भ चित्र से वस्तुओं को अलग करके और ध्यान सीखने के लिए संबंधित वस्तु मास्क प्रदान करके मॉडल को विशिष्ट वस्तु क्षेत्रों पर ध्यान केंद्रित करने में मदद करता है। साथ ही, उन्होंने एक व्यापक बेंचमार्क के रूप में एक बहु-विषयक टेक्स्ट-टू-वीडियो निर्माण डेटासेट भी एकत्र किया है, जिसमें 69 व्यक्तिगत विषय और 57 सार्थक जोड़े शामिल हैं। बड़ी संख्या में गुणात्मक, मात्रात्मक और उपयोगकर्ता अनुसंधान परिणाम दर्शाते हैं कि हमारे तरीके में पहले के अत्याधुनिक तरीकों की तुलना में उल्लेखनीय लाभ हैं।