W.A.L.Tは、Transformerに基づく実写ビデオ生成手法です。画像と動画を統一的な潜在空間に圧縮することで、クロスモーダルな学習と生成を実現します。ウィンドウアテンション機構を用いることで、メモリと学習効率を向上させています。複数の動画・画像生成ベンチマークにおいて、最先端の性能を達成しています。