
Step-Video-T2V简介
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。
数据评估
本站新媒派提供的该工具内容都来源于网络,不保证外部链接的准确性和完整性,同时,对于该外部链接的指向,不由新媒派实际控制,在2025年2月28日 上午9:31收录时,该网页上的内容,都属于合规合法,后期网页的内容如出现违规,可以直接联系网站管理员进行删除,新媒派不承担任何责任。
与Step-Video-T2V相关工具


Mini-Gemini

Face Adapter

浦语·灵笔2.5

Evidently Al

53AI

MoonShot AI

Phantom

PuLID

CodeGemma

怪兽AI知识库大模型

GPT-4

文心千帆

NineF AI

Movio
