下载并部署SVD-XT（Stable Video Diffusion的增强版）的完整流程

---

🔧 一、环境准备

1. 硬件要求

   • 显存：≥24GB（推荐RTX 4090/5000 Ada等高端显卡）
   • 内存：≥64GB DDR5
   • 存储：≥100GB SSD空间（模型文件约8-15GB）

2. 软件依赖

   • Python 3.10+（必须严格匹配版本）
   • CUDA 12.1+ & cuDNN（需与NVIDIA驱动兼容）
   • Git：用于克隆代码库

---

⬇️ 二、下载步骤

1. 获取代码库

git clone https://github.com/Stability-AI/generative-models.git
cd generative-models

2. 配置Python环境

conda create -n svd_xt python=3.10 -y
conda activate svd_xt
pip install -r requirements/pt2.txt  # 安装核心依赖
pip install .  # 安装sgm库

3. 下载SVD-XT模型

• 官方模型地址：
  https://huggingface.co/stabilityai/stable-video-diffusion-img2vid-xt
• 操作步骤：
  1. 注册Hugging Face账号并登录
  2. 下载全部文件（包含config.json, diffusion_pytorch_model.safetensors等）
  3. 将文件放入本地目录：generative-models/checkpoints/

4. 下载辅助模型（可选）

• CLIP视觉编码器：

  wget https://huggingface.co/laion/CLIP-ViT-H-14-laion2B-s32B-b79K/resolve/main/model.safetensors
  

  → 存放至 ~/.cache/huggingface/hub/
• ViT-L/14模型：

  wget https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt
  

  → 存放至 ~/.cache/clip/

---

⚙️ 三、运行验证

1. 启动Streamlit交互界面

streamlit run scripts/demo/video_sampling.py --server.port 7860

2. 界面操作

   • 选择模型：Stable Video Diffusion XT
   • 上传参考图片（如官方示例图）
   • 调整参数：
     • Frames：生成帧数（建议≤25帧防爆显存）
     • Resolution：576×1024（默认）
   • 点击 Sample 生成视频

3. 生成结果

   • 输出路径：generative-models/outputs/demo/vid/svd_xt/
   • 视频格式：.mp4（25FPS）

---

💡 四、高效替代方案（2025更新）

若需更快生成速度，可下载社区优化模型：

• AnimateLCM-SVD-xt：
  • 仅需4步推理生成25帧视频（提速12倍）
  • 下载地址：https://top.aibase.com/tool/animatelcm-svd-xt
  • 替换原模型至checkpoints目录即可使用

---

⚠️ 五、注意事项

1. 显存不足处理：

   • 减少生成帧数（如14帧）
   • 启用--enable_deepcache（缓存优化）
   • 添加--use_fp16（半精度计算）

2. 常见错误解决：

   • 模型加载失败 → 检查.safetensors文件完整性
   • TypeError: randn_like() → 确保已上传参考图片
   • CUDA内存不足 → 降低分辨率至480p或批量大小=1

3. 网络问题：

   • 使用国内镜像加速Hugging Face下载（如阿里云代理）
   • 若无法访问，尝试社区分流链接（需谨慎验证安全性）

---

以上流程基于Stability AI官方开源代码和2025年社区最佳实践整理。若需商业用途，请遵守Hugging Face模型协议。最新优化版本（如光流插值/8K超分）建议关注GitHub仓库更新。