StreamV2Vは、ユーザープロンプトによってリアルタイムの動画から動画への翻訳（V2V）を実現する拡散モデルです。従来のバッチ処理とは異なり、StreamV2Vはストリーミング処理を採用することで、無限のフレーム数の動画を処理できます。その核心は、過去のフレームの情報を保存する特徴量バンクにあります。新しいフレームが入力されると、StreamV2Vは拡張自己注意機構と直接特徴量融合技術を用いて、類似する過去の情報を直接出力に融合します。特徴量バンクは、保存された特徴量と新しい特徴量を統合することで継続的に更新され、コンパクトで情報量の豊富な状態を維持します。StreamV2Vは、その適応性と効率性において優れており、微調整なしで画像拡散モデルとシームレスに統合できます。