Step-Video-T2V

Step-Video-T2V是什么？

Step-Video-T2V是由阶跃星辰与吉利汽车联合开源发布的一款文本生成视频（Text-to-Video, T2V）大模型，具备 300 亿参数，支持中英文提示词输入，能够生成最长 204 帧、分辨率高达 992×544 的高质量视频。该模型采用 Video-VAE 深度压缩结构与 DiT（Diffusion Transformer）架构，结合 Flow Matching 和 DPO（Direct Preference Optimization）优化技术，在生成效率、画面一致性与动态表现方面达到当前开源领域的领先水平。

Step-Video-T2V 已在 GitHub 和 Hugging Face 上开源，支持本地部署与在线体验，广泛适用于 AI 创作、影视预演、教育内容生成、游戏原型设计等场景。

Step-Video-T2V GIthub地址： https://github.com/stepfun-ai/Step-Video-T2V

Step-Video-T2V的主要功能特点

• 文本生成高质量视频。支持中英文提示词输入，自动生成与文本语义一致的视频；最长支持 204 帧，分辨率最高可达 992×544；适用于创意短片、AI 剧情演示、教育内容等多种场景。
• 强大的模型架构。拥有 300 亿参数，基于 Video-VAE + DiT（Diffusion Transformer） 架构；采用 16×16 空间压缩 + 8× 时间压缩，大幅提升训练与推理效率；支持 3D 全注意力机制，增强视频的动态表现与细节还原。
•  DPO偏好优化。引入 Direct Preference Optimization（DPO），结合人类偏好微调模型；显著提升视频的流畅性、一致性与真实感，减少跳帧与伪影。
• 多语言与跨模态支持。支持中英双语文本输入；可与图像生成模型（如 Step-Video-TI2V）联动，支持图生视频等多模态任务。
• 开源与可部署性强。完全开源，基于 MIT 协议，支持商用与二次开发；提供 Hugging Face 模型权重与 GitHub 推理代码，支持本地部署与多卡并行运行；可通过跃问视频平台在线体验生成效果。

适用场景

• 影视与短视频创作：快速生成剧情片段、分镜草图，辅助创意表达
• 教育与培训内容：生成教学动画、实验演示，提升课程可视化
• 游戏与虚拟世界设计：构建角色行为、场景动画原型
• 广告与品牌传播：根据文案生成创意视频，提升营销效率
• AI 多模态研究：用于文本生成视频的模型训练与评估 

一句话总结：Step-Video-T2V 是一款领先的开源文本生成视频大模型，支持中英文输入，生成高质量、动态自然的视频内容，适用于多种创作与工业应用场景。