Emu Videoは、拡散モデルに基づく簡潔なテキストから動画への生成手法です。生成プロセスを2つのステップに分解します。まず、テキストプロンプトに基づいて画像を生成し、次にそのプロンプトと生成された画像に基づいて動画を生成します。この分解された生成方式により、高品質の動画生成モデルを効率的に学習させることができます。従来の手法と比較して、当手法は2つの拡散モデルのみを使用することで、解像度512ピクセル、16フレーム/秒、4秒の長さの動画を生成できます。