Gen-2 ist ein multimodales KI-System, das aus Text, Bildern oder Videoclips neuartige Videos generiert. Es kann die Komposition und den Stil von Bildern oder Textaufforderungen auf die Struktur eines Quellvideos anwenden (Video zu Video) oder nur Text verwenden (Text zu Video). Es wirkt, als hätte man komplett neue Inhalte gedreht, ohne tatsächlich etwas filmen zu müssen. Gen-2 bietet verschiedene Modi, um beliebige Bilder, Videoclips oder Textaufforderungen in beeindruckende Filmwerke zu verwandeln.