ModelScopeT2V是一个文本到视频合成模型，通过时空块确保帧生成和运动过渡的一致性。该模型适用于不同帧数量的图像-文本和视频-文本数据集，具有17亿参数，其中5亿参数用于时序能力。在三个评估指标上表现出优越性能，优于现有方法。