近日，由Picsart AI Research团队联合发布的StreamingT2V模型可生成长达2分钟(1200帧)的高质量视频,超越了之前的Sora模型。这一开源模型不仅可以生成更长时长的视频,还能与SVD、animatediff等其他模型无缝兼容,为开源视频生成领域带来新的突破。
亮点总结:
- 生成时长达2分钟(1200帧),超越以往模型
- 视频质量优秀
- 与业内其他主流模型实现无缝衔接
- 开源免费,便于开发者使用和二次开发
免费在线试玩：【点击进入】 目测在线人太多需要排队
自己本地搭建教程：
1.安装并安装 Python 3.10 and CUDA >= 11.6 环境 【Python 3.10 】、【Cuda 下载】
2.克隆开源项目至本地：
git clone https://github.com/Picsart-AI-Research/StreamingT2V.git
3.安装必备的环境：
conda create -n st2v python=3.10
pip install -r requirements.txt
4.（可选）如果您的系统上缺少 FFmpeg，请安装 FFmpeg
conda install conda-forge::ffmpeg
5. 从HF 下载模型权重并将它放在 t2v_enhanced/checkpoints目录下
6.文本转视频
python inference.py --prompt="A cat running on the street"
如要使用其他基本模型，请添加--base_model=AnimateDiff参数。用于python inference.py --help更多选项
7.图片转视频
python inference.py --image=../__assets__/demo/fish.jpg --base_model=SVD
推理时间
ModelscopeT2V作为基础模型
| 帧数 | 更快预览的推理时间 (256×256) | 最终结果的推理时间 (720×720) |
|---|---|---|
| 24帧 | 40秒 | 165秒 |
| 56帧 | 75秒 | 360秒 |
| 80帧 | 110秒 | 525秒 |
| 240帧 | 340秒 | 1610 秒（约 27 分钟） |
| 600帧 | 860秒 | 5128 秒（约 85 分钟） |
| 1200帧 | 1710 秒（约 28 分钟） | 10225 秒（约 170 分钟） |
AnimateDiff作为基础模型
| 帧数 | 更快预览的推理时间 (256×256) | 最终结果的推理时间 (720×720) |
|---|---|---|
| 24帧 | 50秒 | 180秒 |
| 56帧 | 85秒 | 370秒 |
| 80帧 | 120秒 | 535秒 |
| 240帧 | 350秒 | 1620 秒（约 27 分钟） |
| 600帧 | 870秒 | 5138 秒（~85 分钟） |
| 1200帧 | 1720 秒（约 28 分钟） | 10235 秒（约 170 分钟） |
SVD作为基本模型
| 帧数 | 更快预览的推理时间 (256×256) | 最终结果的推理时间 (720×720) |
|---|---|---|
| 24帧 | 80秒 | 210秒 |
| 56帧 | 115秒 | 400秒 |
| 80帧 | 150秒 | 565秒 |
| 240帧 | 380秒 | 1650 秒（约 27 分钟） |
| 600帧 | 900秒 | 5168 秒（~86 分钟） |
| 1200帧 | 1750 秒（约 29 分钟） | 10265 秒（~171 分钟） |
所有测量均使用 NVIDIA A100 (80 GB) GPU 进行。当帧数超过 80 时，采用随机混合。对于随机混合，chunk_size和 的值overlap_size分别设置为 112 和 32。
如有侵权请联系:admin#unsafe.sh