---
title: "STIV – 苹果公司推出的视频生成大模型"
url: "https://paooo.com/aigc-news/24909/"
author: "Prompt 语宙研究院"
published_at: "2026-07-10T13:18:29+08:00"
updated_at: "2026-07-10T13:18:29+08:00"
categories: "AIGC 资讯"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# STIV – 苹果公司推出的视频生成大模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/24909/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-10

## STIV是什么

STIV（Scalable Text and Image Conditioned Video Generation）是苹果公司推出的[视频生成](https://ai-bot.cn/ai-video-generation-tools/)大模型。STIV拥有8.7亿参数，能处理文本到视频（T2V）和文本图像到视频（TI2V）任务，基于联合图像-文本分类器自由引导（JIT-CFG）提升视频生成质量。STIV模型基于PixArt-Alpha架构，融合时空注意力机制、旋转位置编码（RoPE）和流匹配训练目标，增强视频生成的稳定性和效率。STIV支持多种下游应用，如视频预测、帧插值和长视频生成等。

## STIV的主要功能

- **文本到视频（T2V）和文本图像到视频（TI2V）生成**：STIV能根据文本提示或结合文本和初始图像帧生成视频内容。

- **多模态条件支持**：模型支持基于文本和图像的条件进行视频生成，增强视频内容与输入条件的一致性。

- **视频预测**：模型对视频未来帧进行预测，适用于自动驾驶和嵌入式AI等领域。

- **帧插值**：在给定的帧之间生成中间帧，提高视频的流畅度和连续性。

- **多视角生成**：从单一视角生成视频的新视角，增强视频的立体感和真实感。

- **长视频生成**：基于关键帧预测和帧插值技术，生成更长时长的视频内容。

## STIV的技术原理

- **Diffusion Transformer（DiT）**：基于DiT架构，能有效处理时空数据。

- **帧替换**：在训练过程中，将噪声帧替换为无噪声的图像条件帧，增强视频生成的准确性和一致性。

- **联合图像-文本分类器自由引导（JIT-CFG）**：一种无分类器引导技术，调整文本和图像条件的权重，优化视频生成过程。

- **时空注意力机制**：基于分解的时空注意力机制，分别处理空间和时间维度的特征，提高模型的效率和效果。

- **旋转位置编码（RoPE）**：RoPE增强模型处理相对时空关系的能力，更好地适应不同分辨率的生成任务。

- **流匹配训练目标**：用流匹配目标替代传统的扩散损失，实现更优的条件最优传输策略，提升生成质量。

## STIV的项目地址

- **HuggingFace模型库**：[https://huggingface.co/papers/2412.07730](https://huggingface.co/papers/2412.07730)

- **arXiv技术论文**：[https://arxiv.org/pdf/2412.07730](https://arxiv.org/pdf/2412.07730)

## STIV的应用场景

- **娱乐与社交媒体**：用户生成个性化的视频内容，如舞蹈、旅行或日常生活的短视频，在抖音、Instagram等社交平台上分享。

- **广告与营销**：企业创建动态的广告视频，根据产品特点或服务优势快速生成吸引人的视频内容，提高广告的吸引力和转化率。

- **教育与培训**：教育机构生成教育视频，如模拟实验过程或历史事件，为学生提供更加直观和互动的学习体验。

- **新闻与报道**：新闻机构将新闻报道转化为视频内容，快速生成新闻故事的可视化呈现，提高新闻的传播效率和观众的理解度。

- **自动驾驶与仿真**：自动驾驶技术公司生成各种交通场景的视频，测试和训练自动驾驶系统的决策和反应能力。

---
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/)