古楽器から奏でられる音をアナログシンセサイザーを用いて電気信号に変換する古典的なビデオシンセサイザの要領で映像に変換する．この変換された映像は音量の大きさや周波数によって古典的な映像生成が行われている．この映像に対してリアルタイムにディフュージョンモデルによる映像生成を行う．この映像生成に用いるのはそれぞれの場面の情景を表す単語群や和歌を埋め込みベクトルに変換したものである．以上のプロセスを通じてリアルタイム生成映像と古楽器のアンサンブルを行っている．
Sounds played from ancient musical instruments are converted into electrical signals using an analog synthesizer, in the manner of a classical video synthesizer, and then transformed into images. This transformed imagery is created classically based on the volume and frequency of the sounds. Real-time video generation is performed on this imagery using a diffusion model. The inputs for this video generation are word groups and Japanese poems (Waka) that represent the scenes of each moment, converted into embedding vectors. Through these processes, real-time generated imagery is created in ensemble with the ancient musical instruments.