视频生成领域取得显著进展，但缺乏系统化开发指南。本文提出STIV，一种结合Diffusion Transformer架构的文本图像条件视频生成方法，支持文本到视频和图像到视频任务。STIV在多项任务中表现优异，为构建先进视频生成模型提供了透明方案，推动未来研究。

AIxiv专栏促进学术交流，报道超过2000篇内容。苹果发布了8.7B参数的多模态视频生成模型STIV，结合文本和图像条件，提升生成质量。研究探讨了模型架构、训练策略及应用，解决了视频生成中的挑战，为未来应用奠定基础。