Stable Video Portraitsは、事前学習済みのテキストから画像へのモデル（2D）と3D形状モデル（3D）を利用した革新的なハイブリッド2D/3D生成手法です。本技術は、時間的系列の3D形状モデルを条件として用い、時間的ノイズ除去過程を導入することにより、一般の2D安定拡散モデルをビデオモデルへと個人別に微調整することで、時間的な滑らかさを備えた顔画像を生成します。テキストで定義された有名人のイメージに編集・変形することができ、追加のテスト時微調整は不要です。定量的および定性的分析において、既存の一眼カメラによるヘッドアバター手法を上回っています。