企业官网建设流程全解析

Stable Video Infinity 安装指南：用一张图片和一条命令生成 14 分钟长视频

【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-Infinity

Stable Video Infinity（SVI）解决一个问题：让图生视频在拉长后不再"漂移"。它通过误差回收微调，让模型学会主动修正自己生成的误差。给一张参考图、一段文本流，一行命令就能跑出不重样的长视频。

🎬 你能拿到什么：长视频生成的能力清单

跑通 SVI 后，你可以直接产出这几类结果：

• 分钟级单场景长视频：官方 20 分钟测试无漂移、无遗忘（SVI-Shot）
• 带场景切换的影片：每 5 秒换一个镜头的提示词流，生成短片叙事（SVI-Film）
• 音频驱动的说话人视频：10 分钟口型同步无漂移（SVI-Talk）
• 骨骼驱动的舞蹈视频：输入姿态视频即可（SVI-Dance）
• 风格化动画：例如 8 分钟 Tom & Jerry 风格长片（SVI-Tom）
• SVI-2.0：基于 Wan 2.1 底座的增强版，官方用一条提示词流压测出 14 分钟长视频

⚙️ 二十分钟跑通：装依赖、下权重、出第一条视频

第一步，克隆仓库并装环境。项目在 A100 80G + CUDA 12.0 + torch 2.8.0 上验证过，脚本会自动装 torch 2.5.0，16GB 以上显存的卡可以试跑：

git clone https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity cd Stable-Video-Infinity conda create -n svi python=3.10 conda activate svi pip install -e . pip install flash_attn==2.8.0.post2 conda install -c conda-forge ffmpeg librosa libiconv

第二步，下载底座模型和 LoRA。底座是 Wan 2.1 I2V 14B，约 7 个分片，先下它：

huggingface-cli download Wan-AI/Wan2.1-I2V-14B-480P --local-dir ./weights/Wan2.1-I2V-14B-480P # 首跑只需要一个变体，这里下 SVI-Shot huggingface-cli download vita-video-gen/svi-model version-1.0/svi-shot.safetensors --local-dir ./weights/Stable-Video-Infinity

第三步，跑通第一个案例。测试脚本已配好仓库内data/toy_test/的示例数据，直接执行：

bash scripts/test/svi_shot.sh

产出在videos/svi_shot/下。跑通这条再换其他脚本：svi_film.sh、svi_talk.sh、svi_dance.sh、svi_tom.sh、svi_2.0.sh，都在 scripts/test/ 里。想要界面操作，可以bash gradio_demo.sh起一个支持 Film/Shot 两种模式的 Gradio Demo。

🧭 你的场景该选哪个模型：按任务对号入座

不用逐个背变体，按"你要做什么"直接选：

没有文生视频需求？先用任意 T2I 模型出一张图，再走 I2V 流程即可。各场景的示例输入都在 data/toy_test/ 下，改脚本里的路径就能换成自己的素材。

🎛️ 真正影响出片的 5 类开关：按"影响什么"读参数

打开 scripts/test/ 里的脚本，参数很多，但按影响归类就 5 类：

1. 控制长度：--num_clips每段 81 帧，乘起来就是总时长。想要"接近无限"就设--num_clips 999。

2. 控制跨段连贯：--num_motion_frames跨片段参考帧数。这是和训练对齐的值，别乱改：SVI-Shot/Dance/Talk 用 1，SVI-Film 用 5。

3. 控制漂移与遗忘：--ref_pad_num-1用随机参考帧填充，把任务变成"图像恢复"，单场景（Shot/Dance/Talk）必用；0零填充，放宽单场景限制，Film 用，但主体移出画面时有遗忘概率。

4. 控制文本跟随：--cfg_scale_text默认 5.0。出现鬼影、动作跟不上提示词时加到 7，测试素材和训练分布差距越大越要调高。

5. 控制分辨率与显存：--max_width、--tiled、--num_persistent_param_in_dit训练基准是 480×832，图像处理按宽度上限缩放（2150×1204 会被缩到 1472×832），--max_width默认 832，偏离训练分辨率太大会导致运动缺失。显存紧张时加--tiled开分块编码，或调低--num_persistent_param_in_dit减少常驻显存的参数量。

提示词流还有两个小开关：--prompt_repeat_times（每条提示词重复几段）和--use_first_prompt_only（全程只用第一条）。提示词风格上，训练数据偏 GPT 式长文本，直接喂 LLM 生成的一长段效果就好。

🔍 跑不通时：现象 → 原因 → 处理

flash_attn 安装失败原因：预编译 wheel 和 CUDA/torch 版本对不上。处理：确认 CUDA 版本与 PyTorch 匹配，装对应版本 wheel；仍失败可参考仓库 issue 区的讨论，或换 conda 环境隔离依赖重装。

底座模型下载中断、超时原因：Wan 2.1 I2V 14B 是 7 个 safetensors 分片，体量大。处理：huggingface-cli本身支持断点续传，重跑同一条命令即可；网络受限就配置镜像源再拉。

生成视频颜色偏移、闪烁、画质劣化原因：一是 VAE 反复编解码在静态场景下累积误差，二是 LoRA 在小数据集上训练，测试素材风格偏离训练分布时质量下滑。处理：用少量（几十条）目标风格的视频片段微调你自己的 LoRA，官方 FAQ 里确认这是最有效的适配方式，同时能控制长程风格一致性。

运动不足、场景不切、文本不跟随原因：输入图被缩得离训练分辨率太远，或 CFG 偏低。处理：调--max_width让终端日志里的 "Video dimensions" 接近 832×480；--cfg_scale_text=7；把提示词写成更长的 LLM 风格描述，尤其写清楚镜头运动。

显存不够（OOM）原因：14B 底座 + 长序列推理。处理：加--tiled、调低--num_persistent_param_in_dit、降--num_steps；仍不够就上更大显存的卡（官方测试环境是 A100 80G）。

更多细节看 docs/FAQ.md。

🛠️ 再深一层：训自己的 LoRA、接 ComfyUI

训自己的 SVI 只需 LoRA 量级的数据和算力（官方在 8～64 卡上都验证过）。流程：

# 按 data/toy_train/ 的格式准备数据，音频/姿态类先预处理 python scripts/data_preprocess/prepare_video_audio.py # 启动训练（以 SVI-Talk 为例，其余变体同型） bash scripts/train/svi_talk.sh

训练脚本在 scripts/train/，多卡训练记得改--num_nodes。训完的 checkpoint 转 safetensors 后用 utils/extract_lora.py 只抽 LoRA 参数省空间，再把新权重填进 scripts/test/ 的推理脚本即可验证。

接 ComfyUI用仓库自带的 comfyui_workflow_svi_1.0/ 工作流，注意三条官方红线：SVI LoRA 不能直接用原生 Wan 2.1 工作流（填充设置不同）；每个片段必须换 seed；SVI-Shot 用 1 运动帧 + VACE 参考图填充，SVI-Film 用 5 运动帧。量化/蒸馏 LoRA 会降低 Film 工作流质量，采样步数建议多于 4/8 步。

🗺️ 路线图：Wan 2.2 与下一个版本

当前主线分支跑 Wan 2.1 底座（含 SVI 1.0/2.0）；svi_wan22分支已支持 Wan 2.2 底座（SVI 2.0/2.0 Pro）。官方待办里的下一步：Wan 2.2 Animate SVI（只用 1k 样本就能解锁无限长生成）、720p 支持、可定制化生成。下面的对比图展示了 Wan 2.2 + SVI 在 40 秒以上片段上相对基线的稳定性优势：

✅ 起飞前检查清单：6 件事

1. python -c "import flash_attn"无报错，ffmpeg -version可执行
2. weights/目录结构完整：Wan 底座 7 个分片 + 对应 SVI LoRA 都在
3. 终端日志里 "Video dimensions" 接近832x480（或480x832）
4. --num_motion_frames与所用变体匹配（Shot/Dance/Talk=1，Film=5）
5. 单场景任务确认--ref_pad_num -1，多场景任务确认--ref_pad_num 0
6. ComfyUI 用户：每个片段 seed 不同、用的是官方工作流而非原生 Wan 工作流

全部打勾后，从bash scripts/test/svi_shot.sh开始，然后按你的场景换模型和参数，长视频生成就稳定跑起来了。

【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