2步跑通：CogVideoX本地文生视频，单卡输出5秒成片

2步跑通：CogVideoX本地文生视频，单卡输出5秒成片

【免费下载链接】CogVideotext and image to video generation: CogVideoX (2024) and CogVideo (ICLR 2023)项目地址: https://gitcode.com/GitHub_Trending/co/CogVideo

把「a girl riding a bike」敲进终端，单张4090卡50秒内就能生成一个81帧的mp4。81帧÷16fps≈5秒，480x720分辨率，做完直接能播放。仓库里带CogVideoX-2B/5B和CogVideoX1.5系列的完整推理与微调代码，CogVideoX文生视频全在本地完成。

子任务1：装好环境，Python锁3.10–3.12

Python版本卡在3.10–3.12之间，高了低了都装不起来。下面这条命令先把仓库拉下来，再按 requirements.txt 装全部依赖：

git clone https://gitcode.com/GitHub_Trending/co/CogVideo cd CogVideo && pip install -r requirements.txt

成功的标志是终端不再报错，diffusers>=0.35.2、torch>=2.8.0这些包全部装完，随后python -c "import diffusers"不抛异常。

子任务2：一条命令出第一条文生视频

这条命令用2B模型做一次文生视频：81帧、50步去噪、分类器自由引导（classifier-free guidance）强度6.0，其余参数全走 inference/cli_demo.py（官方推理入口，管参数解析、模型加载与视频导出）里的默认值：

python inference/cli_demo.py --prompt "A girl riding a bike." --model_path THUDM/CogVideoX-2b --generate_type t2v

看到当前目录多出./output.mp4，播放时长约5秒（81帧@16fps），链路就算通了。官方调度器是DPM（timestep_spacing="trailing"），2B档位也可以换成DDIM，代码注释里有说明。

官方Web演示截图，对应上面「去噪完成、导出成片」这一步的输出形态。

最后一步是3D因果VAE把潜变量解码成真实视频帧，再由export_to_video写成mp4。显存富余时可以把enable_sequential_cpu_offload()换成enable_model_cpu_offload()提速，但别把offload整行删掉。

子任务3：扩写提示词，参数一张表

这里有个坑：模型是用长描述训练的，一句话提示词约束太弱，画面容易放飞。先用 inference/convert_demo.py（提示词扩写工具，调大模型把短提示扩成细节描述）把一句话变长提示再喂进去，画面会明显更稳。

参数默认值全部在 cli_demo.py 里，速查如下：

参数	控制什么	推荐值/范围	偏高的代价	偏低的代价
num_frames	帧数，即时长	49 / 81 / 161	视频更长，显存与耗时上升	视频更短，出片更快
num_inference_steps	去噪步数	30–50	细节更干净，单次生成更慢	更快，但可能出现噪点与抖动
guidance_scale	提示词贴合强度	4.0–6.5	更贴文字，过高画面过饱和	发挥空间变大，容易跑偏
fps	导出播放帧率	8–16	同样帧数播放更短、更利索	播放更长但更拖沓
seed	随机种子	任意整数，默认42	换值即出新视频	固定值可复现同一条视频

需要偏离默认值的场景只有一个：换模型档位。1.0档配49帧@8fps（6秒），1.5档配81或161帧@16fps（5/10秒），两套不能混搭。

子任务4：图生视频i2v，让一张静图动起来

验收标准：输出视频的分辨率和输入图一致，首帧与静图对得上。

下面这条命令把--generate_type换成 i2v，用仓库自带示例图做输入，1.5-5B-I2V 支持任意分辨率输出：

python inference/cli_demo.py --prompt "The wind blows across the street" --model_path THUDM/CogVideoX1.5-5b-I2V --generate_type i2v --image_or_video_path ./inference/gradio_composite_demo/example_images/street.png

跑完看 output.mp4 的宽高与输入图一致、开头画面和静图衔接，就算通过。1.0档 i2v 固定480x720，1.5档默认768x1360，想自定义分辨率只有1.5-5B-I2V支持。

官方图生视频演示的示例输入图，输出视频的宽高就跟随这张图。

高频翻车点与对策

• 显存OOM或慢到怀疑人生→ 根因：权重加VAE同时驻留显存 → 对策：保留默认的enable_sequential_cpu_offload()别删，还爆就换2B模型。
• 画面内容和提示词对不上→ 根因：一句话提示词，文本约束太弱 → 对策：用 convert_demo 扩写成长提示，加--guidance_scale 6.5再跑一遍对比。
• 播放时长和帧数对不上→ 根因：fps没按模型档位配套 → 对策：保持1.0档49帧@8fps、1.5档81或161帧@16fps，必须改时按时长=帧数÷fps核算。

提示词和模型都不动，给刚才的 t2v 命令加上--seed 7再跑一次，把两条成片并排播放对比——这是最快看出种子和参数实际影响的做法。

【免费下载链接】CogVideotext and image to video generation: CogVideoX (2024) and CogVideo (ICLR 2023)项目地址: https://gitcode.com/GitHub_Trending/co/CogVideo