本文介绍了一种名为Gen-L-Video的方法，利用短视频扩散模型生成和编辑长视频，解决了文本驱动的人体动作生成中的位置约束和不稳定性问题。通过优化奖励设计和引入新框架，提升了文本与动作的对齐和泛化能力，实现高质量的多主体运动序列生成。

本文提出了一种新方法，通过将任务分解为语言准确性和运动生成，生成3D室内场景中的人体动作。研究利用大规模数据集和基于Transformer的框架，实现高多样性和保真度的多主体运动序列，并综述了文本、音频和场景条件下的人体运动生成方法，讨论了未来研究方向。