Text-To-Video-Finetuning

用 Diffusers 微调文本生成视频模型，定制专属视频风格

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。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 703

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队ExponentialML

所属国家

官网地址

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

定价模式free

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

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★ 703

30天Star增速

HF 下载量

上线时间2023-03-23 00:00:00

最近更新2026-08-04 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

核心亮点

提供完整的微调训练脚本，开箱即用
基于 Diffusers，与 Hugging Face 生态兼容性好
支持自定义数据集，灵活适配不同场景

不足之处

文档/社区待观察
依赖特定模型和库，环境配置可能复杂

适用场景

为特定行业生成定制化视频内容
研究文本到视频模型的领域适配
在有限数据上提升视频生成质量

替代项目

ModelScope Text-to-Video、Stable Diffusion Video、CogVideo

项目介绍

Text-To-Video-Finetuning 是模型训练领域的开源项目，由 ExponentialML 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 703。

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 2026-08-04。MIT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：为特定行业生成定制化视频内容。同类可对比的替代方案包括 ModelScope Text-to-Video、Stable Diffusion Video、CogVideo。

上一篇：TinyEngram

下一篇：distill-sd