Générer une seule image est difficile. Générer une vidéo, c'est générer des milliers d'images qui doivent être cohérentes les unes avec les autres : le même visage, le même arrière-plan, les mêmes contraintes physiques, image après image. Ce problème de cohérence temporelle est ce qui sépare la génération vidéo de la simple génération d'images par image, et c'est pourquoi les modèles vidéo sont les systèmes génératifs les plus gourmands en calcul construits jusqu'à présent.