Hugging Face 博客：文本到视频模型全面解析

Hugging Face 发布博客梳理文本到视频模型的发展脉络，指出该任务比文本到图像更难，需保证帧间时空一致性。文章回顾了从早期 GAN、VAE 到 Phenaki、Make-A-Video、NUWA、VideoGPT、CogVideo 等 Transformer 方案，再到当前以扩散模型为主的第三波浪潮，并分析了算力成本高、高质量数据集稀缺、视频描述模糊等核心挑战。