Generar una sola imagen es difícil. Generar un vídeo es generar miles de imágenes que deben ser coherentes entre sí: el mismo rostro, el mismo fondo, las mismas limitaciones físicas, fotograma tras fotograma. Este problema de coherencia temporal es lo que separa la generación de video de la generación simple de imágenes por cuadro, y es la razón por la cual los modelos de video son los sistemas generativos con mayor uso intensivo de computación creados hasta ahora.