TeaCache

给视频生成模型装上加速器，推理速度翻倍，画质不掉线

TeaCache 是一个面向视频扩散模型的推理加速工具，通过缓存时间步嵌入来跳过冗余计算，从而在不明显损失生成质量的前提下大幅提升视频生成速度。它解决了视频扩散模型推理耗时过长、难以实际应用的问题。核心能力包括：自动识别并缓存相似时间步的中间特征，支持多种主流视频扩散模型（如 CogVideoX、HunyuanVideo、Open-Sora 等），提供即插即用的加速方案。用户只需简单集成，即可获得数倍的加速比，同时保持生成视频的视觉一致性。该项目适合研究者和开发者用于快速原型验证或生产环境部署，尤其对长视频生成和实时交互场景有显著价值。

开源 free 视频生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1380

维护状态低维护

是否开源是

定价模式 free

项目数据

分类视频生成

开发团队ali-vilab

所属国家

官网地址https://liewfeng.github.io/TeaCache

GitHubhttps://github.com/ali-vilab/TeaCache

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型cogvideox,diffusion-models,hunyuan-video,inference-acceleration,latte,open-sora,open-sora-plan,video-generation

GitHub 星标★ 1380

30天Star增速

HF 下载量

上线时间2024-11-27 00:00:00

最近更新2026-09-18 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：高级约 30 分钟部署方式：库/依赖 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（项目开发语言为 Python）
可访问 GitHub 的网络，用于克隆源码
用于视频扩散模型推理的 GPU 环境（README 节选未给出具体显存与 CUDA 版本要求）

安装与启动步骤

1克隆项目仓库

从官方地址拉取 TeaCache 源码到本地，建议放在磁盘空间充足的目录下。
```
git clone https://github.com/ali-vilab/TeaCache.git
```
2进入项目目录

切换到克隆下来的 TeaCache 目录，后续所有操作都在此目录内进行。
```
cd TeaCache
```
3准备 Python 环境

README 节选未给出依赖清单，先创建独立虚拟环境，避免污染系统 Python，再按官方说明装依赖。
```
python -m venv .venv
source .venv/bin/activate
```
4查阅官方集成说明

打开仓库 README 与各模型示例脚本，确认 CogVideoX、HunyuanVideo、Open-Sora 等的具体接入方式与依赖安装命令。

如何确认成功

README 节选未提供启动命令；克隆后能进入 TeaCache 目录并看到 README 等文件，即说明源码获取成功。

常见问题

Q：安装依赖的命令是什么？

A：README 节选中未给出依赖安装命令与依赖文件，请以官方仓库最新 README 及对应模型的示例脚本为准，不要照搬其他项目命令。

Q：支持哪些视频生成模型？

A：据项目信息，支持 CogVideoX、HunyuanVideo、Open-Sora 等主流视频扩散模型，并可用作即插即用的推理加速方案。

Q：必须使用 GPU 吗？

A：TeaCache 面向视频扩散模型推理加速，实际运行通常需要 GPU；README 节选未给出显存和 CUDA 版本要求，请按官方说明确认。

Q：能获得多少加速比？

A：项目定位是在不明显损失生成质量的前提下提升生成速度，但 README 节选未给出具体加速倍数，需查看官方仓库实测数据。

注意事项

README 节选仅含论文信息，未包含安装与运行命令，实操前务必以官方仓库最新 README 为准。
项目为 CVPR 2025 Highlight 论文工作，源码与论文内容并存，注意区分示例代码与文档。
命令中的环境名、路径可按自身机器情况调整。
该加速方案需集成进对应视频扩散模型的推理流程，单独运行仓库一般无法直接出视频。

核心亮点

即插即用，支持 CogVideoX、HunyuanVideo 等主流模型，集成成本低
基于时间步嵌入的缓存策略，理论清晰，加速效果显著（实测数倍提升）
开源社区活跃，提供多种模型示例和预训练配置，上手快

不足之处

缓存策略可能对高动态场景或复杂运动产生轻微质量损失
文档/社区待观察，部分高级配置需要深入理解模型内部机制

适用场景

视频生成模型推理加速，尤其适合长视频或批量生成场景
实时视频生成应用，如交互式内容创作或直播特效
资源受限环境下的视频生成，如边缘设备或云端低成本部署

替代项目

DeepCache、Stable Diffusion 加速（如 LCM/LoRA）、TensorRT 推理优化

项目介绍

TeaCache 是视频领域的开源项目，由 ali-vilab 开发，2024 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,380）位列前 30%，在视频分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-18。Apache-2.0许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：视频生成模型推理加速，尤其适合长视频或批量生成场景。同类可对比的替代方案包括 DeepCache、Stable Diffusion 加速（如 LCM/LoRA）、TensorRT 推理优化。

上一篇：DiffusionAsShader

下一篇：articulated-animation