वीडियो जनरेटर दो मोड में काम करता है। "फ़ोटो से वीडियो" अपलोड की गई तस्वीर में जान डाल देता है: कोई व्यक्ति मुस्कुराता है और सिर घुमाता है, लहरें किनारे से टकराती हैं, कैमरा सीन के चारों ओर घूमता है। "टेक्स्ट से वीडियो" डिस्क्रिप्शन के आधार पर शुरुआत से क्लिप बनाता है — किरदार, सेटिंग, कैमरा मूवमेंट और मूड। ज़्यादातर मॉडल तस्वीर के साथ-साथ साउंड भी जनरेट करते हैं: बोली गई बातें, संगीत और माहौल की आवाज़ें।
2026 के सभी अग्रणी वीडियो मॉडल एक ही इंटरफ़ेस में उपलब्ध हैं। MiniMax H3 Turbo सबसे तेज़ और सबसे किफ़ायती है, क्लिप लगभग एक मिनट में तैयार हो जाती है। MiniMax H3 पोर्ट्रेट को एनिमेट करने में खास तौर पर बेहतरीन है। Kling 3 और Kling 3 Pro सिनेमैटिक कैमरा मूवमेंट और लाइटिंग देते हैं। Google का Veo 3.1 रियलिस्टिक फ़िज़िक्स ऑफ़र करता है। Gemini Omni Flash, Google का नया मॉडल है जो प्रॉम्प्ट का सटीक पालन करता है और स्पीच बनाता है। Alibaba का Wan 3.0 शॉट बदलाव के साथ कहानी जैसे सीन बनाने में माहिर है। xAI का Grok Imagine 1.5 और Kling 4.0 एक ही जनरेशन में 15 सेकंड तक की क्लिप बना सकते हैं। ByteDance का Seedance 2.5 कॉम्प्लेक्स एक्शन और लिप सिंक के साथ स्पीच के लिए एक प्रीमियम मॉडल है।
ड्यूरेशन 5 या 10 सेकंड है (Gemini Omni Flash में 8 सेकंड का विकल्प भी है, Veo 3.1 में 4, 6 या 8 सेकंड, और Grok Imagine व Kling 4.0 में 15 सेकंड तक), रिज़ॉल्यूशन 720p या 1080p है, फ़ॉर्मैट 16:9, 9:16 और 1:1 उपलब्ध हैं। जनरेशन पूरी तरह क्लाउड में होता है: किसी ग्राफ़िक्स कार्ड या सॉफ़्टवेयर की ज़रूरत नहीं। तैयार MP4 को एक्सटेंड किया जा सकता है, डिस्क्रिप्शन से एडिट किया जा सकता है, 4K तक अपस्केल किया जा सकता है, या तुरंत पब्लिश किया जा सकता है।