结果令人印象深刻且多种多样，而且毫无例外地都有些令人毛骨悚然。我们以前见过文本到视频模型——它是文本到图像模型（如 DALL-E）的自然扩展，它从提示中输出静止图像。但是，虽然从静止图像到移动图像的概念跳跃对于人类大脑来说很小，但在机器学习模型中实现却绝非易事。

例如输入“A dog wearing a Superhero outfit with red cape flying through the sky”，就会生成下面短视频：

例如“A teddy bear painting a portrait”，就会生成

Meta 的研究人员表示，仅文本输入生成图像的模型在生成短视频方面同样有效。AI 使用现有的有效扩散技术来创建图像，该技术本质上是从纯视觉静态“去噪”到目标提示的反向工作。这里要补充的是，该模型还对一堆未标记的视频内容进行了无监督训练（也就是说，它在没有人类强烈指导的情况下检查了数据本身）。

Meta 的研究人员写道：“在空间和时间分辨率、对文本的忠实度和质量的所有方面，Make-A-Video 设置了文本到视频生成的最新技术水平，由定性和定量测量决定”。