MotionClone é uma estrutura independente de treinamento que permite a clonagem de movimento a partir de um vídeo de referência para controlar a geração de vídeo a partir de texto. Ela utiliza um mecanismo de atenção temporal para representar o movimento no vídeo de referência durante a inversão de vídeo e introduz uma orientação de atenção temporal principal para reduzir o impacto do ruído ou de movimentos muito sutis nos pesos da atenção. Além disso, para auxiliar o modelo gerador na síntese de relações espaciais razoáveis e melhorar sua capacidade de seguir prompts, propõe-se um mecanismo de orientação semântica consciente da posição que utiliza a localização grosseira do primeiro plano no vídeo de referência e a localização das características guiadas livremente pelo classificador original.