Text2Video-Zero адаптирует предварительно обученные модели диффузии text-to-image для генерации видеопоследовательностей из текстовых подсказок. Модель работает в режиме zero-shot без специализированной настройки на видеоматериалы, применяя интерполяцию скрытых кодов и кроссфреймовые механизмы внимания. Подходит для быстрого создания видеоконцепций по текстовым описаниям.