मोशनक्लोन एक प्रशिक्षण-रहित ढांचा है जो संदर्भ वीडियो से गति क्लोनिंग की अनुमति देता है ताकि टेक्स्ट-टू-वीडियो पीढ़ी को नियंत्रित किया जा सके। यह वीडियो उलट में संदर्भ वीडियो में गति का प्रतिनिधित्व करने के लिए समय ध्यान तंत्र का उपयोग करता है और ध्यान वज़न में शोर या बहुत सूक्ष्म गति के प्रभाव को कम करने के लिए एक प्रमुख समय ध्यान मार्गदर्शन शुरू करता है। इसके अलावा, मॉडल को उचित स्थानिक संबंधों को संश्लेषित करने और इसकी संकेत-अनुसरण क्षमता को बढ़ाने में सहायता करने के लिए, संदर्भ वीडियो में अग्रभूमि की मोटी स्थिति और मूल वर्गीकरणकर्ता मुक्त मार्गदर्शन सुविधाओं का उपयोग करके एक स्थान-संवेदनशील शब्दार्थ मार्गदर्शन तंत्र प्रस्तावित किया गया है।