TeaCache

给视频生成模型装上加速器，推理速度翻倍，画质不掉线

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署视频生成 🍴 复刻 62 🐛 待处理 30 👀 关注 10

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1388

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类视频生成

开发团队ali-vilab

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

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

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 1388

上线时间2024-11-27 00:00:00

代码更新2025-06-08

仓库体积27.7 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1388

技术标签

diffusion-models video-generation

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

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。