VideoTetris é uma estrutura inovadora que realiza a geração de vídeo a partir de texto, especialmente adequada para lidar com cenários complexos de geração de vídeo que contêm múltiplos objetos ou mudanças dinâmicas na quantidade de objetos. A estrutura segue precisamente a semântica complexa do texto por meio da técnica de difusão combinada espaço-temporal, e a implementação é realizada manipulando e combinando os mapas de atenção espacial e temporal da rede de remoção de ruído. Além disso, introduz um novo mecanismo de atenção do quadro de referência para melhorar a consistência da geração de vídeo auto-regressiva. O VideoTetris obteve resultados qualitativos e quantitativos impressionantes na geração combinada de vídeo a partir de texto.