ビデオ編集のニーズが高いが、人工コストも高い。ここで、ビデオ編集の自動化のため、言語によりビデオを編集するタスクと手法を提案。提案タスクではビデオの中の部分的なコンテンツ（手の動作を修正など；）を言語指示により、ビデオから数フレームを編集する。また、Multi-modal Multi-LevelのTransformerを提案した。