# Step-Video-T2V – 阶跃星辰开源的文本到视频模型

- Link: https://paooo.com/aigc-news/21927/
- Published: 2026-06-08T18:03:28+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [Step-Video-T2V是什么](https://paooo.com/aigc-news/21927/#stepvideot2v%e6%98%af%e4%bb%80%e4%b9%88)
 * [Step-Video-T2V的主要功能](https://paooo.com/aigc-news/21927/#stepvideot2v%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Step-Video-T2V的技术原理](https://paooo.com/aigc-news/21927/#stepvideot2v%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Step-Video-T2V的项目地址](https://paooo.com/aigc-news/21927/#stepvideot2v%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Step-Video-T2V的应用场景](https://paooo.com/aigc-news/21927/#stepvideot2v%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![Step-Video-T2V](https://paooo.com/wp-content/uploads/2026/06/Step-Video-T2V-website-
1.avif)

## 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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**HuggingFace ↗**

HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大
模型等实用方向。

❓ 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。

🔬 语宙深潜追问 · 进阶实操拆解

文生视频落地时最难解决什么问题？

最难的是时间一致性：人物、物体和镜头运动不能前后漂移。工程上通常要结合分段生成、
关键帧约束和后处理补帧，才能把“能看”变成“可用”。

如何把开源视频模型接入内容生产流程？

先把它定位成草稿生成器，而不是终稿工具。建议接入脚本分镜、镜头模板和人工审核环节，
再用统一分辨率、时长和风格控制，降低返工成本。

🗳️ 读者观点微投票 · 您的实战立场是？

开源文生视频模型，先拼画质还是长视频稳定性？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [Step-Video-TI2V – 阶跃星辰开源的图生视频模型](https://paooo.com/aigc-news/20900/)
 * [Step-Video V2 – 阶跃星辰推出的升级版视频生成模型](https://paooo.com/aigc-news/22613/)
 * [FancyVideo – 360推出的AI文生视频模型](https://paooo.com/aigc-news/27415/)
 * [StreamingT2V – PicsArt推出的可生成长达2分钟视频的模型](https://paooo.com/aigc-news/28045/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/21927/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
