Emu Video é um método simples de geração de vídeo a partir de texto baseado em modelos de difusão. O processo de geração é dividido em duas etapas: primeiro, gera-se uma imagem a partir de um prompt de texto; em seguida, gera-se um vídeo a partir do prompt e da imagem gerada. Essa decomposição do processo de geração permite o treinamento eficiente de modelos de geração de vídeo de alta qualidade. Em comparação com métodos anteriores, o nosso método gera vídeos com resolução de 512 pixels, a 16 quadros por segundo (fps) e com duração de 4 segundos, usando apenas dois modelos de difusão.