sd-webui-text2video

在 Stable Diffusion WebUI 里直接输入文字，一键生成视频片段

sd-webui-text2video 是一个为 Stable Diffusion WebUI（Auto1111）开发的扩展插件，旨在让用户无需额外安装复杂的依赖，就能直接在熟悉的 WebUI 界面中实现文本生成视频（text2video）功能。它集成了 ModelScope 和 VideoCrafter 等先进的扩散模型，将文本描述转化为连贯的视频片段。该扩展解决了 Stable Diffusion 生态中视频生成门槛高、工具链割裂的问题，通过复用 WebUI 现有的 Gradio 界面和底层依赖，用户只需输入提示词、调整参数，即可生成短视频。其核心能力包括：支持多种文本生成视频模型、提供友好的参数配置界面、与 WebUI 无缝集成，以及支持视频预览和导出。项目目前处于成长阶段，代码开源，适合希望探索 AI 视频生成的研究者、开发者和创意工作者。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1322

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kabachuha

所属国家

官网地址

GitHubhttps://github.com/kabachuha/sd-webui-text2video

定价模式free

价格说明开源扩展，免费使用，需自行部署到Auto1111 WebUI。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型automatic1111,extension,gradio,modelscope,stable-diffusion,text2video,videocrafter,webui

GitHub 星标★ 1322

30天Star增速

HF 下载量

上线时间2023-03-19 00:00:00

最近更新2026-08-20 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2

使用教程

难度：进阶约 20 分钟部署方式：本地安装 6 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

已安装并可正常运行的 AUTOMATIC1111 Stable Diffusion WebUI
NVIDIA GPU，显存建议 6GB 以上（256x256 + 低显存 VAE）
如需长视频：12GB 显存可跑 24 帧 256x256，支持 Torch2 注意力优化可到 125 帧
无需任何账号登录，模型均为可下载权重

安装与启动步骤

1准备 Auto1111

该扩展运行在 AUTOMATIC1111 WebUI 之上，请先确保 WebUI 本身能正常启动出图。
2获取扩展代码

把扩展放进 WebUI 的 extensions 目录（README 未给出具体命令，此处按扩展常规方式推断）。
```
git clone https://github.com/kabachuha/sd-webui-text2video extensions/sd-webui-text2video
```
3重启 WebUI

重启 WebUI 让扩展被加载，首次运行会自行下载所需模型权重，无需登录。
4调整显存设置

显存有限时选择 256x256 分辨率并启用低显存 VAE；4GB 显存可尝试 192x192。
5生成视频

在界面输入提示词（README 示例：best quality, anime girl dancing），生成短视频片段。
6接入自训练模型

用 ExponentialML/Text-To-Video-Finetuning 的转换脚本，把 Diffusers 格式模型转回原始权重格式后使用。

如何确认成功

重启 WebUI 后能加载扩展并进入其 text2video 相关页签，即视为安装成功。

常见问题

Q：需要登录或申请模型权限吗？

A：不需要。README 说明该扩展只用 Auto1111 WebUI 已有的依赖和可下载的模型权重，全程无需任何登录。

Q：显存不够怎么办？

A：README 指出 6GB 显存配低显存 VAE 可跑 256x256，也有用户在 4GB 显存下跑通 192x192，可先降低分辨率。

Q：能生成多长的视频？

A：24 帧 256x256 可放进 12GB 的 RTX 2080 Ti；显卡支持 Torch2 注意力优化时可做到 125 帧（8 秒），250 帧（16 秒）约需 20GB。

Q：可以用自己微调的模型吗？

A：可以。借助 ExponentialML 的 Text-To-Video-Finetuning 仓库微调，再用其 PR 中的脚本把 Diffusers 格式转成原始权重格式即可在本扩展使用。

注意事项

README 节选未提供安装命令、参数或路径，步骤中的克隆路径按 Auto1111 扩展惯例推断，请以官方仓库说明为准。
项目维护状态曾多次变更（2023-11-21 起先后停止维护、由 Deforum-art 维护，后由原作者恢复维护），使用前请确认仓库当前状态。
显存需求与分辨率、帧数强相关，长视频会显著增加显存占用。
该扩展复用 WebUI 的 Gradio 界面与底层依赖，因此必须先有可用的 Auto1111 环境。

核心亮点

深度集成 Auto1111 WebUI，无需额外安装复杂依赖，上手门槛低
支持 ModelScope 和 VideoCrafter 两大主流文本生成视频模型，选择灵活
复用 WebUI 的 Gradio 界面，参数调整和视频预览体验流畅

不足之处

生成视频长度和分辨率受限于模型，通常较短且清晰度有限
文档/社区待观察

适用场景

在 Stable Diffusion 工作流中快速生成概念视频或动态预览
用于短视频创作、广告素材的快速原型设计
作为 AI 视频生成教学和实验的平台

替代项目

Deforum Stable Diffusion Extension、Text2Video-Zero、AnimateDiff

项目介绍

sd-webui-text2video 是视频领域的开源项目，由 kabachuha 开发，2023 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,322）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 2026-08-20。开源扩展，免费使用，需自行部署到Auto1111 WebUI。

它主要面向的使用场景是：在StableDiffusion工作流中快速生成概念视频或动态预览。同类可对比的替代方案包括 Deforum Stable Diffusion Extension、Text2Video-Zero、AnimateDiff。

上一篇：swd

下一篇：ebsynth_utility