Stable Video Infinity 实战指南：3步生成不漂移的长视频
Stable Video Infinity 实战指南3步生成不漂移的长视频【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-InfinityStable Video InfinitySVI是 EPFL VITA 实验室推出的无限长度视频生成框架基于 Wan 2.1 I2V 底座通过 Error Recycling误差回收微调让模型学会自我纠错。本文面向有 GPU、想在本地跑起视频生成的开发者先 3 步跑通再讲透 4 个真正影响出片效果的参数最后附一张踩坑速查表。为什么视频播到一分钟就崩了大多数 i2v 模型一次只能生成几秒。你想把它续长只能把上一段生成的尾帧喂回去当条件结果就是色彩慢慢偏移、主体逐渐变形十几个片段之后没法看。根源在于训练时模型只见过干净数据推理时却要基于自己带误差的输出继续生成两头对不上误差滚雪球。SVI 的办法很直白训练时把模型自己犯过的历史误差注入输入让它主动学会识别并修正这些误差。微调完成后推理成本与普通 i2v 相同视频可以从 5 秒一路续到 10 分钟以上。官方按任务拆了一组 LoRASVI-Shot单场景、SVI-Film多场景叙事、SVI-Talk音频驱动说话、SVI-Dance骨骼驱动舞蹈、SVI-Tom卡通。它们共用同一个底座切换 LoRA 就能换任务。 3步跑通 SVI官方测试环境为 A100 80G CUDA 12底座是 14B 模型需要一张显存充足的高端 GPU。第 1 步准备环境git clone https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity conda create -n svi python3.10 conda activate svi pip install -e . pip install flash_attn2.8.0.post2 conda install -c conda-forge ffmpeg librosa libiconv第 2 步下载模型Wan 底座 SVI LoRA 全家桶huggingface-cli download Wan-AI/Wan2.1-I2V-14B-480P --local-dir ./weights/Wan2.1-I2V-14B-480P huggingface-cli download vita-video-gen/svi-model --local-dir ./weights/Stable-Video-Infinity --include version-1.0/*第 3 步跑推理bash scripts/test/svi_shot.sh # 或者启动 Web 界面支持 Film / Shot 两种模式切换 bash gradio_demo.sh脚本默认用data/toy_test/shot/frame.jpg做输入结果输出到videos/目录。30秒看懂原理凭什么续不漂一句话SVI 是逐片段自回归 片段内双向注意力的混合结构。每个片段 81 帧片段内部可以看全所有帧相当于重拍的机会片段之间再沿时间轴因果衔接。这模仿的是导演的工作流先反复打磨一个镜头再把它剪进整条时间线。这套设计瞄准的是叙事类内容创作。如果你的目标是逐帧实时交互比如游戏Self-Forcing 一系会更合适SVI 官方 FAQ 里也明确说了两者的分工。⚙️ 决定出片效果的 4 个参数python test_svi.py \ --ref_image_path data/toy_test/shot/frame.jpg \ --prompt_path data/toy_test/shot/prompt.txt \ --num_clips 20 --cfg_scale_text 5.0 \ --max_width 832 --ref_pad_num -1--num_clips生成多少个片段每个片段 81 帧约 5 秒。默认 10 个约 50 秒SVI-2.0 的官方脚本直接写 999相当于续到提示流耗尽。--cfg_scale_text文本指令强度默认 5.0。主体不听提示词、画面出现残影时优先调到 7。--max_width模型在 480p宽 832上训练。输入图过大虽会被等比缩放但与训练分辨率的差距会导致动作变少、推理变慢保持 832 附近最稳。--ref_pad_num-1用随机帧填充参考图把单场景任务变成修复问题几乎不会漂Shot / Talk / Dance 推荐0为零填充放宽单场景约束适合 Film。另外--num_persistent_param_in_dit默认 6e9控制常驻显存的参数量显存紧张时调小它是最直接的降压手段。❓ 出问题了排错速查现象可能原因处理办法色彩随时间漂移、画质下降VAE 反复编解码累积误差输入风格远离训练分布用少量同风格视频微调 LoRA官方认为这是最有效方案画面动作少、主体发僵输入分辨率远超 480p 训练分辨率调小--max_width看终端日志确认为 832 附近残影、文本指令不生效CFG 偏低调大--cfg_scale_text至 7显存不足常驻显存的参数过多调小--num_persistent_param_in_dit可加--tiled分块编码ComfyUI 出片明显差SVI LoRA 不能直接套原版 Wan 工作流padding 设置不同用官方工作流且每个片段换不同 seed接下来做什么跑通后建议先用 Web 界面的 Film 模式试多场景叙事感受 5 秒一条提示流的节奏满意之后可以照着data/toy_train/的数据格式用自己的少量视频微调专属 LoRA官方强调这一步数据量要求很小。更多问题看 docs/FAQ.md 和 docs/DevLog.md各任务的完整推理脚本都在 scripts/test/ 里按需改路径即可。【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考