---
title: "StreamingT2V – PicsArt推出的可生成长达2分钟视频的模型"
url: "https://paooo.com/aigc-news/28045/"
author: "Prompt 语宙研究院"
published_at: "2026-07-09T14:41:14+08:00"
updated_at: "2026-07-09T14:41:14+08:00"
categories: "AIGC 资讯"
tags: "AI视频生成, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# StreamingT2V – PicsArt推出的可生成长达2分钟视频的模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/28045/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-09

## AI 30 秒核心看点 (TL;DR)

- 通过CAM与APM实现长视频自回归生成，最长可达1200帧、约2分钟。
- 兼顾时间连贯性、帧级画质与文本对齐，解决长视频常见断裂问题。
- 采用随机混合与流式细化流程，提升长视频分辨率与整体视觉效果。

## StreamingT2V是什么

StreamingT2V是由PicsArt AI研究团队推出的一个文本到视频的生成模型，旨在解决现有模型仅能生成16帧或24帧的高质量短视频，而当在生成长视频时则会遇到如视频质量下降、场景转换不一致和视频停滞等问题的挑战。StreamingT2V通过引入条件注意模块（CAM）和外观保持模块（APM）以及随机混合方法，实现了长视频（最长达1200帧、时长2分钟）的流畅生成，确保了时间上的连贯性和与文本描述的紧密对齐。该方法不仅提高了视频的质量，还使得视频内容更加丰富和动态，从而在长视频生成领域取得了显著进步。

## StreamingT2V的官网入口

- 官方项目主页：[https://streamingt2v.github.io/](https://streamingt2v.github.io/)

- GitHub代码库：[https://github.com/Picsart-AI-Research/StreamingT2V](https://github.com/Picsart-AI-Research/StreamingT2V)（模型和源码待上线）

- arXiv研究论文：[https://arxiv.org/abs/2403.14773](https://arxiv.org/abs/2403.14773)

## StreamingT2V的功能特性

- **长视频生成**：StreamingT2V能够根据文本描述生成长视频（80, 240, 600, 1200帧或更多），远超传统模型通常生成的短视频长度。

- **时间连贯性**：生成的视频帧之间具有平滑的过渡和一致性，避免了生成长视频时常见的硬切换或不连贯现象。

- **高质量图像帧**：该模型注重帧级别的图像质量，保证即使在视频较长的情况下，每一帧的图像也能保持清晰和细腻。

- **文本对齐**：StreamingT2V生成的视频紧密对齐于输入的文本提示描述，确保视频内容与用户的文本指导保持一致。

- **视频增强**：利用随机混合方法，StreamingT2V可以在不引入块间不一致性的情况下，对生成的视频进行质量增强，提高视频的分辨率和视觉效果。

## StreamingT2V的工作流程

StreamingT2V的工作流程可以分为以下几个主要阶段：

- **初始化阶段（Initialization Stage）**：

在这一阶段，首先使用预训练的文本到视频模型（例如Modelscope）来合成一个初始的视频块，通常是一个短的16帧的视频序列。

- **流式生成阶段（Streaming T2V Stage）**：

接下来，模型进入自回归的长视频生成过程。在这个阶段，StreamingT2V使用条件注意模块（CAM）和外观保持模块（APM）来生成长视频的后续帧。

- CAM利用短期记忆，通过注意力机制关注前一个视频块的特征，从而实现块之间的平滑过渡。

- APM则利用长期记忆，从初始视频块中提取关键的视觉特征，确保在整个视频生成过程中保持场景和对象的一致性。

- **流式细化阶段（Streaming Refinement Stage）**：

在生成了足够长的视频（例如80, 240, 600, 1200帧或更多）后，模型进入细化阶段。

- 在这一阶段，使用高分辨率的文本到视频模型（例如MS-Vid2Vid-XL）对生成的视频进行自回归增强。

- 通过随机混合方法，对连续的24帧视频块进行增强，同时保持块之间的平滑过渡，从而提高视频的整体质量和分辨率。

## 常见问题解答 (FAQ)

### StreamingT2V能生成多长的视频？
根据文中介绍，StreamingT2V可生成80、240、600、1200帧或更多的视频，最长可达约2分钟。它的重点不是单纯拉长时长，而是在长视频场景下保持连贯性和画质稳定。

### StreamingT2V解决了什么长视频问题？
它主要针对传统文本到视频模型在长视频生成中常见的画质下降、场景切换不一致和视频停滞等问题。通过CAM、APM和随机混合方法，提升了长视频的连续性与文本对齐效果。

### StreamingT2V的工作流程是怎样的？
流程分为三步：先用预训练T2V模型生成16帧初始视频块；再通过CAM和APM进行流式长视频生成；最后用高分辨率T2V模型做流式细化与增强，提升整体质量。

---
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/)