Stable Video Diffusion

技术背景与能力

Stable Video Diffusion（SVD）的训练分三阶段：先在大量图像上训练（继承SD的能力），再在视频数据上做预训练，最后用高质量视频数据微调。SVD-XT版本支持生成25帧（约4秒）的视频，分辨率1024×576。

最典型的使用场景是图生视频（Image-to-Video）：给定一张静态图片，SVD生成图片中的物体或场景的自然运动。效果在某些场景下（风景、简单物体运动）相当流畅，但对复杂人体动作和多物体交互仍有明显瑕疵。[1]

开源生态位置

SVD的开源对视频生成生态的意义类似Stable Diffusion对图像生成的意义：提供了一个可以本地运行、可以微调的基础模型，让研究者和开发者不依赖商业API也能做视频生成实验。基于SVD，社区开发了多种微调版本（特定风格、特定动作类型）和ComfyUI工作流节点。

2024年，Stability AI经历了严重的财务危机（联合创始人Emad Mostaque离职，公司濒临破产被收购），但SVD模型本身仍是开源视频生成的重要参考基准。