مدل جدید ویدیوی هوش مصنوعی گوگل اکنون می‌تواند تنها با استفاده از یک متن، ویدیوهایی با صدا تولید کند. این صداها شامل نویز محیط، جلوه‌های صوتی و حتی دیالوگ‌های واقع‌گرایانه می‌شوند. همچنین این مدل، دستورالعمل‌های پیچیده را بهتر دنبال می‌کند و صحنه‌ها را منسجم‌تر و سینمایی‌تر می‌سازد.