Lumiere是一個文本到視頻擴散模型，旨在合成展現真實、多樣和連貫運動的視頻，解決視頻合成中的關鍵挑戰。我們引入了一種空時U-Net架構，可以一次性生成整個視頻的時間持續，通過模型的單次傳遞。這與現有的視頻模型形成對比，後者合成遠距離的關鍵幀，然後進行時間超分辨率處理，這種方法本質上使得全局時間一致性難以實現。通過部署空間和（重要的是）時間的下采樣和上採樣，並利用預訓練的文本到圖像擴散模型，我們的模型學會直接生成多個時空尺度下的全幀率、低分辨率視頻。我們展示了最先進的文本到視頻生成結果，並展示了我們的設計輕鬆促進了各種內容創作任務和視頻編輯應用，包括圖像到視頻、視頻修補和風格化生成。