La esteganografía oculta mensajes secretos dentro de las portadas asegurando imperceptibilidad. Diferente de la esteganografía tradicional, la esteganografía basada en aprendizaje profundo tiene un marco adaptable y generalizado sin necesidad de experiencia en el proceso de incrustación. Sin embargo, la mayoría de los algoritmos de esteganografía utilizan imágenes como portadas en lugar de videos, que son más expresivos y más ampliamente difundidos. Con este fin, se propone en este documento una red de aprendizaje profundo de extremo a extremo para esteganografía de video. Se diseña una estructura de extracción de características de muestreo descendente multinivel, que consta de tres partes, incluido un codificador, un decodificador y una red discriminatoria. Además, para facilitar la capacidad de aprendizaje de la red, se introduce primero una máscara de unidad de codificación (CU) construida a partir de un video de codificación de video versátil (VVC). Además, se utiliza un mecanismo de atención para promover aún más la calidad visual. Los resultados experimentales muestran que la red de esteganografía propuesta puede lograr un mejor rendimiento en términos de calidad perceptual de los videos estego, precisión de decodificación de mensajes ocultos y una capacidad de incrustación relativamente alta en comparación con las redes de esteganografía de última generación.