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-Infinity

Stable Video Infinity（SVI）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 LoRA：SVI-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 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 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

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