---
title: "Step-Video-T2V – 阶跃星辰开源的文本到视频模型"
url: "https://paooo.com/aigc-news/21927/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T18:03:28+08:00"
updated_at: "2026-06-08T18:03:28+08:00"
categories: "AIGC 资讯"
tags: "AI绘画提示词, AI视频生成, HuggingFace, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Step-Video-T2V – 阶跃星辰开源的文本到视频模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/21927/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 300 亿参数开源文本到视频模型，支持最长 204 帧、544×992 分辨率生成。
- 采用 Video-VAE、DiT 3D 全注意力与 Flow Matching，兼顾压缩效率和动态画质。
- 引入双语文本编码器与 Video-DPO，提升中英文理解、减少伪影并增强真实感。

## Step-Video-T2V是什么

Step-Video-T2V 是阶跃星辰团队推出的开源[文本到视频](https://ai-bot.cn/ai-text-to-video-tools/)预训练模型，拥有 300 亿参数，能生成长达 204 帧的高质量视频。模型基于深度压缩的变分自编码器（Video-VAE），实现 16×16 的空间压缩和 8× 的时间压缩，显著提高了训练和推理效率。Step-Video-T2V 配备双语文本编码器，支持中英文提示输入，通过直接偏好优化（DPO）方法进一步提升视频质量。模型基于扩散的 Transformer（DiT）架构和 3D 全注意力机制，在生成具有强烈运动动态和高美学质量的视频方面表现出色。

## Step-Video-T2V的主要功能

- **高质量视频生成**：Step-Video-T2V 拥有 300 亿参数，能生成长达 204 帧的高质量视频，支持 544×992 分辨率。

- **双语文本支持**：配备双语文本编码器，支持中英文提示词的直接输入，能理解并生成与文本描述相符的视频。

- **动态与美学优化**：通过 3D 全注意力的 DiT 架构和 Flow Matching 训练方法，生成具有强烈动态效果和高美学质量的视频。

## Step-Video-T2V的技术原理

- **深度压缩的变分自编码器（Video-VAE）**：Step-Video-T2V 使用了深度压缩的变分自编码器（Video-VAE），实现了 16×16 的空间压缩和 8× 的时间压缩。显著降低了视频生成任务的计算复杂度，同时保持了优异的视频重建质量。

- **双语文本编码器**：模型配备了两个预训练的双语文本编码器，能处理中文和英文提示。Step-Video-T2V 可以直接理解中英文输入，生成与文本描述相符的视频。

- **基于扩散的 Transformer（DiT）架构**：Step-Video-T2V 基于扩散的 Transformer（DiT）架构，包含 3D 全注意力机制。通过 Flow Matching 训练，将输入噪声逐步去噪为潜在帧，用文本嵌入和时间步作为条件因子。在生成具有强烈运动动态和高美学质量的视频方面表现出色。

- **直接偏好优化（DPO）**：为了进一步提升生成视频的质量，Step-Video-T2V 引入了视频直接偏好优化（Video-DPO）方法。DPO 通过人类偏好数据对模型进行微调，减少伪影并增强视觉效果，使生成的视频更加平滑和真实。

- **级联训练策略**：模型采用了级联训练流程，包括文本到图像（T2I）预训练、文本到视频/图像（T2VI）预训练、文本到视频（T2V）微调和直接偏好优化（DPO）训练。加速了模型的收敛，充分利用了不同质量的视频数据。

- **系统优化**：Step-Video-T2V 在系统层面进行了优化，包括张量并行、序列并行和 Zero1 优化，实现高效的分布式训练。引入了高性能通信框架 StepRPC 和双层监控系统 StepTelemetry，优化数据传输效率和识别性能瓶颈。

## Step-Video-T2V的项目地址

- **Github仓库**：[https://github.com/stepfun-ai/Step-Video-T2V](https://github.com/stepfun-ai/Step-Video-T2V)

- **HuggingFace模型库**：[https://huggingface.co/stepfun-ai/stepvideo-t2v](https://huggingface.co/stepfun-ai/stepvideo-t2v)

- **arXiv技术论文**：[https://arxiv.org/pdf/2502.10248](https://arxiv.org/pdf/2502.10248)

## Step-Video-T2V的应用场景

- **视频内容创作**：Step-Video-T2V 能根据文本提示快速生成创意视频，帮助创作者节省时间和精力，降低视频制作的门槛。

- **广告制作**：可以为品牌和广告商生成个性化的视频广告内容，提升广告的吸引力和传播效果。

- **教育与培训**：Step-Video-T2V 可以生成教学视频，帮助学生更好地理解和记忆知识。

- **娱乐与影视**：为影视制作提供创意素材，辅助生成特效、动画或短剧片段，加速创作流程。

- **社交媒体**：Step-Video-T2V 为用户提供个性化的视频生成工具，丰富社交平台的内容生态，提升用户互动性。生成的视频可以用于社交媒体的创意内容分享。

## 常见问题解答 (FAQ)

### Step-Video-T2V 支持中文提示词吗？
支持。模型配备双语文本编码器，可直接理解中文和英文提示词，并据此生成与文本描述相符的视频，适合中英文混合创作场景。

### Step-Video-T2V 最长能生成多长视频？
根据文中信息，Step-Video-T2V 可生成长达 204 帧的视频，并支持 544×992 分辨率，适合对时长和画质都有要求的文本到视频任务。

### Step-Video-T2V 的核心技术亮点是什么？
核心亮点包括深度压缩的 Video-VAE、基于扩散的 DiT 架构、3D 全注意力、Flow Matching 训练，以及通过 Video-DPO 提升视频质量与真实感。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
