字节跳动回应称，推出的视频模型 Boximator 能通过文本精准控制视频中人物或物体的动作，目前尚处于技术研究阶段，暂未完善，距离国外领先的视频生成模型在画面质量、保真率、视频时长等方面还有很大差距。