Максимальная длительность сгенерированных роликов пока не превышает нескольких минут при стандартном разрешении. Более длинные и высококачественные ролики требуют очень больших вычислительных мощностей.

Относительно невысокое разнообразие обстановок и сюжетов. Модели обучаются на ограниченных наборах данных и зачастую не могут экстраполировать их на произвольные ситуации.

Нестабильность генерации и возможные визуальные артефакты, особенно при большой длительности роликов.

Нейросети пока не могут полностью понимать смысл контекста и логику развития сюжета. Требуется задавать этот контекст в виде подробных промптов.

Возможные этические риски и опасность злоупотреблений при генерации фейкового или вредоносного контента.