Text-To-Video-Finetuning

用 Diffusers 微调文本生成视频模型，定制专属视频风格

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 112 🐛 待处理 28 👀 关注 1 ⚠️ 作者已归档（停止维护）

GitHub ↗

GitHub 星标 ★ 705

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，MIT许可证，完全免费，可自行部署使用。

项目预览

Text-To-Video-Finetuning 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队ExponentialML

GitHubhttps://github.com/ExponentialML/Text-To-Video-Finetuning

定价模式🏷️完全免费

价格说明开源项目，MIT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MIT

主要语言Python

技术栈/模型deep-learning,diffusers,diffusion-models,modelscope,pytorch,stable-diffusion,text-to-video,text2video

GitHub 星标★ 705

上线时间2023-03-23 00:00:00

代码更新2023-12-14

仓库体积1.9 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4

项目介绍

Text-To-Video-Finetuning 是一个基于 Python 的开源项目，旨在帮助开发者对 ModelScope 的文本生成视频模型进行微调。它利用 Hugging Face 的 Diffusers 库，提供了一套完整的微调流程，解决了在特定领域或风格下生成高质量视频的需求。项目核心能力包括：支持自定义数据集进行训练、提供训练脚本和配置、与 Diffusers 生态无缝集成，使得开发者可以轻松调整模型参数以适应特定场景。通过微调，用户能够提升模型在目标内容上的表现，例如生成特定动作或风格的视频片段。该项目处于早期阶段，代码结构清晰，适合有一定深度学习基础的开发者使用。

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 ★ 705

技术标签

deep-learning diffusers diffusion-models modelscope pytorch

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 120 分钟部署方式：本地安装 5 步

环境要求

CUDA GPU（建议 24GB+）
Python 3.10
自己的视频数据集

安装与启动步骤

1克隆仓库

这是文生视频模型的微调框架，不是开箱即用的应用。
```
git clone https://github.com/ExponentialML/Text-To-Video-Finetuning.git
```
2拉底座模型

从 Hugging Face 把底座拉到本地目录，路径要和训练配置对应。
```
git clone https://huggingface.co/damo-vilab/text-to-video-ms-1.7b ./models/model_scope_diffusers/
```
3建环境装依赖

官方给的是 python 3.10 的 conda 环境，xformers 可选但能省显存。
```
conda create -n text2video-finetune python=3.10
```
4准备训练配置

配置里控制分辨率、帧数和学习率，显存不够先降帧数。
5启动训练

训练过程中关注 loss 和显存曲线，异常早停比跑完再看划算。
```
python train.py --config ./configs/v2/train_config.yaml
```