स्टेबल वीडियो डिफ्यूज़न (SVD) 1.1 इमेज-टू-वीडियो एक डिफ्यूज़न मॉडल है जो स्थिर छवियों को कंडीशन फ्रेम के रूप में उपयोग करके संबंधित वीडियो उत्पन्न करता है। यह मॉडल एक संभावित डिफ्यूज़न मॉडल है जिसे छवियों से छोटे वीडियो क्लिप उत्पन्न करने के लिए प्रशिक्षित किया गया है। 1024x576 के रिज़ॉल्यूशन पर, यह मॉडल 25 फ्रेम वीडियो उत्पन्न करने के लिए प्रशिक्षित है, जो समान आकार के संदर्भ फ्रेम पर आधारित है और SVD इमेज-टू-वीडियो [25 फ्रेम] से फ़ाइन-ट्यून्ड किया गया है। फ़ाइन-ट्यूनिंग के दौरान, आउटपुट की स्थिरता को बेहतर बनाने के लिए 6FPS और मोशन बकेट ID 127 की शर्तें स्थिर रखी गई थीं, बिना किसी अतिरिक्त पैरामीटर को समायोजित किए।