多模态视频生成研究进展迅速，利用扩散模型、双向变压器和3D U-Net等框架，结合文本、图像、音频输入，实现文本到视频、视频编辑、3D头像合成及音乐视频创作。方法注重时序一致性与条件控制，在MSR-VTT等基准上取得最低FVD，人类评估超越开源方法并与Gen2持平，MagicVideo-V2等系统可生成高分辨率视频。