W.A.L.T 是一种基于变换器的扩散模型方法，用于生成逼真的视频。它采用因果编码器将图像和视频压缩到统一的潜在空间，并使用窗口注意力架构进行空间和时空联合生成建模。该设计在无需分类器自由引导的情况下，实现了在视频（UCF-101 和 Kinetics-600）和图像（ImageNet）生成基准测试中的最佳性能。我们还采用三模型级联结构实现文本到视频的生成，生成分辨率为512×896、帧率为每秒8帧的视频。