nuwa-pytorch

用文本生成视频的PyTorch实现，体验女娲模型

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 55 🐛 待处理 8 👀 关注 19

GitHub ↗

GitHub 星标 ★ 547

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，需自行部署使用。

项目预览

nuwa-pytorch 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类视频生成

开发团队lucidrains

GitHubhttps://github.com/lucidrains/nuwa-pytorch

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

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artificial-intelligence,attention-mechanism,deep-learning,text-to-audio,text-to-video,transformers

GitHub 星标★ 547

上线时间2021-11-28 00:00:00

代码更新2023-01-17

仓库体积1.8 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2

项目介绍

NUWA（女娲）是微软提出的多模态预训练模型，支持文本到视频、文本到图像及视频预测等任务。此项目为NUWA的PyTorch非官方实现，基于3D Transformer和3D Nearby Attention（3DNA）机制，通过VQVAE将视频和图像编码为离散token，再以自回归方式生成视频。它解决了文本到视频合成中时空一致性和计算效率问题，核心能力包括文本条件视频生成、图像动画化及视频预测。项目代码结构清晰，提供推理示例，适合研究者和开发者快速体验NUWA架构。

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 ★ 547

技术标签

artificial-intelligence attention-mechanism deep-learning text-to-audio text-to-video

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 60 分钟部署方式：本地安装 5 步

环境要求

PyTorch
单卡 16G 以上显存
视频文本对数据

安装与启动步骤

1装包

纯 PyTorch 实现，装完就能在代码里调。
```
pip install nuwa-pytorch
```
2先训 VAE

女娲是在离散码本上做自回归，VAE 不先训好后面无从谈起。
```
python -c "from nuwa_pytorch import VQGanVAE; VQGanVAE(dim=512, num_layers=4, image_size=256)"
```
3再接文本到视频

在训好的 VAE 之上叠因果 Transformer，才是完整的两阶段流程。
4备训练数据

文本-视频成对数据最难搞，先用小规模公开集验证管线。
5读作者的状态说明

他会直接写明这条路线的现状，看完再决定要不要投入。