専門家トランスフォーマーを用いたテキスト-ビデオ拡散モデル、CogVideoX

CogVideoXは、3D VAEと専門家トランスフォーマーアーキテクチャを活用し、長期的な一貫性と豊かな動きを持つ高品質なビデオをテキストから生成する、最先端のテキスト-ビデオ拡散モデルである。