Envie dois retratos de adultos. A primeira foto define quem canta e a segunda, quem toca guitarra. O personagem que escuta no andar de cima é gerado. O vídeo vertical de 13 segundos usa áudio novo, sem a gravação de origem. Custa 130 créditos.
Envie um retrato de um adulto para a cena que vai do panorama da cidade ao café. O vídeo final de 10 segundos custa 130 créditos e inclui áudio recém-gerado; a prévia anunciada é mais curta.
Envie uma foto de um cachorro. A página anuncia uma versão de 15 segundos, mas o exemplo público é o vídeo de referência completo de 29 segundos. A inclusão de áudio não foi confirmada.