微软亚洲研究院近期提出名为NUWA-XL的多模自动生成式人工智能模型，标榜能以16组描述句即可生成长达11分钟的视频内容。
微软亚洲研究院在2021年便提出多模自动生成式人工智能模型NUWA （女娲），能以自然语言描述生成文字、图像、视频内容，后续推出的升级版NUWA-Infinity更进一步将生成图像、视频分辨率提高。
而此次提出的NUWA-XL，则是建立在「扩散叠加」 （Diffusion over Diffusion）的运作架构之上，通过全域扩散模型 （Global Diffusion）生成视频所有时间范围内的关键画面，并且通过局部扩散模型 （Local Diffusion）依据填加关键画面邻近内容，藉此加快整体内容生成效率， 同时也确保生成内容连续性与完整性。
整体流程大约是先依照输入描述句生成关键画面，再依序针对关键画面生成相应视频，并且通过扩散模型增加视频内容长度，让视频最初生成的概略章节可以变成完整故事内容。 在演示内容中，微软以《摩登原始人》 （The Flintstones）动画为基础，自动生成全新动画内容。
在微软此项技术中，原本生成1024个画面的平均推论时间需要7.55分钟，变成仅需花费26秒即可生成，整体速度提升高达94.26%。
不过，微软说明视频生成背后依然需要仰赖足够品质的视频内容训练，此次提出的NUWA-XL主要参考专业动画内容制作流程，藉由先生成关键画面，并且持续生成关键画面衍生内容，进而构成完整动画视频，并且确保内容连续性与生成品质，进而能加速内容生成速度。
