通过引入时态依赖于现有的文本驱动扩散模型，解决了扩散模型在自然视频编辑中编辑现有对象时难以保持其外观随时间稳定的问题。通过开发一种新颖的帧间传播机制，构建了一个名为 StableVideo 的文本驱动视频编辑框架，可以实现一致感知的视频编辑。实验证明了该方法的强大编辑能力。与最先进的视频编辑方法相比，该方法展示了卓越的定性和定量结果。