制御可能な超長動画生成は、基礎的ではあるが挑戦的なタスクである。既存の手法は短い動画クリップに対しては有効であるものの、時間的な一貫性の欠如や視覚的劣化といった問題により、スケーラビリティに困難を抱えている。本研究では、まずこれらの課題の原因を明確にするために、3つの重要な要因を同定する。すなわち、ノイズの分離初期化、制御信号の独立した正規化、および単一モダリティガイドの限界である。これらの問題に対処するため、我々は制御可能な長時間動画生成を実現するエンドツーエンドの自己回帰フレームワーク「LongVie」を提案する。LongVieは、時間的一貫性を確保するための2つの核心的設計を導入している。1）クリップ間で一貫した生成を維持する統一的ノイズ初期化戦略、および2）動画全体にわたり制御空間における整合性を強制するグローバル制御信号の正規化である。視覚的劣化の緩和のため、LongVieは3）密度の高い制御信号（例：深度マップ）と疎な制御信号（例：キーポイント）を統合するマルチモーダル制御フレームワークを採用し、さらに4）劣化に配慮した学習戦略を用いることで、時間経過に伴いモダリティの寄与を適応的にバランス調整し、視覚的品質の維持を図っている。また、本研究では、多様な現実世界および合成環境をカバーする100本の高解像度動画（各動画1分以上）から構成される包括的なベンチマーク「LongVGenBench」を新たに提案する。広範な実験結果から、LongVieが長距離制御性、一貫性、品質の面で最先端の性能を達成していることが示された。