企业官网建设流程全解析

CogVideoX文生视频本地推理教程：单卡3行命令出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，60秒后你会拿到一个能直接播放的5秒 mp4——这就是 CogVideo（CogVideoX）本地文生视频的实际效果。仓库内置 CogVideoX-2B/5B 与 1.5 系列的完整推理与微调代码，2B 档位官方支持低至 GTX 1080Ti 的单卡运行。下面按"装好→跑通→看懂→调参"的顺序走一遍。

敲下这两行，50秒后你会拿到一个能播放的 mp4

先拿代码装依赖（Python 须为 3.10–3.12，这是仓库 README 对 diffusers 版推理代码的硬性要求）：

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

第一行拉取整个仓库；第二行装齐diffusers>=0.35.2、torch>=2.8.0等核心依赖，连带imageio-ffmpeg这类视频导出工具——它们就是最后写片用的。

装完，显卡是 4090 就从 2B 档位开始，这一行就能出片：

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

这条命令让 inference/cli_demo.py（官方推理入口，负责参数解析与视频导出）加载 2B 模型做文生视频推理，默认保存到./output.mp4。首次运行会下载模型权重，网络慢的话耐心等。

播放 output.mp4：81帧÷16fps，数字对上了才算跑通

终端滚完后，打开生成的文件，先核对三个数字：

• 帧数：默认 81 帧（1.5 档位；1.0 档位是 49 帧）
• 帧率：默认 16fps
• 播放时长：81 ÷ 16 ≈ 5 秒

cli_demo.py 的注释写得很清楚：CogVideoX 1.5 出 81 或 161 帧 @ 16fps，对应 5 秒或 10 秒；1.0 出 49 帧 @ 8fps，约 6 秒。拿到的文件如果和这套数字对不上，说明参数没按模型档位配套，先回去检查num_frames和fps。

画面偏粗糙也别急，这多半是提示词太短——模型用长描述训练，一句话提示在扩散环节约束太弱。先用仓库自带的提示词扩写工具改成长提示：

python inference/convert_demo.py --prompt "A girl riding a bike." --type "t2v"

它做的事是调用 GLM-4 这类大模型，把你的短句重写成 "A little girl is riding a bicycle at high speed. Focused, detailed, realistic." 这种长描述，再喂给模型，画面会明显更稳。

这是官方Web演示截图，输入 "A little girl is riding a bicycle..."，右侧就是去噪完成、输出成片后的效果。

回看50秒背后：从提示词到成片只有三步

视频出来后倒推"提示词→视频"这条链路，其实就三步。

第1步，文字变向量，引导强度定"听话程度"。提示词先被文本编码器转成语义向量，再由分类器自由引导强度guidance_scale（默认 6.0）决定画面跟文字的贴合度。说推荐 6.0 这个起点，是因为官方脚本的默认值就是它。

第2步，潜空间扩散去噪。文字向量就位后，DiT 主干在潜空间里迭代，把纯高斯噪声一步步细化成视频的压缩表示。官方推理用 DPM 调度器：

pipe.scheduler = CogVideoXDPMScheduler.from_config( pipe.scheduler.config, timestep_spacing="trailing" )

这两行告诉框架：去噪步数怎么排（默认 50 步）、时间步间隔用trailing方式；脚本注释同时注明 2B 档位可换用 DDIM 调度器。

第3步，3D因果VAE解码出帧。最后的潜变量由3D因果VAE解码成真实视频帧，经export_to_video写成 output.mp4（默认 16fps）。显存大、模型能整卡装下时，把enable_sequential_cpu_offload()换成enable_model_cpu_offload()能提速，两种写法在 inference/cli_demo.py 顶部注释里都有对照。

原理看清了，调参数就成了按图索骥的事。

改这两个值就能看出差别：CogVideoX视频参数怎么调

链路跑通后，"想要什么效果改哪个值"的答案全在generate_video()的默认参数里：

用图生视频（i2v）模式时，宽高跟随输入图，项目推荐分辨率是 480x720（2B/5B）与 768x1360（1.5-5B）——这张映射表就写在脚本顶部的RESOLUTION_MAP里，不传--width/--height时自动用它。

官方图生视频演示的示例输入图，对应上表 i2v 模式的说明：输出视频分辨率跟随这张输入图。

SAT 版本则单独用配置文件 sat/configs/inference.yaml 管帧数与 fps：sampling_num_frames: 22对应 5 秒、42 对应 10 秒（22/42 是潜帧数，不是最终解码帧数）。

参数调着调着，翻车点也会自然撞上来。

显存爆、内容跑偏、帧率不对：三个翻车点各自怎么修

1. 显存爆掉或慢到怀疑人生😤。根因：5B 权重加 VAE 同时驻留显存。对策：cli_demo 默认已开enable_sequential_cpu_offload()，别手动删掉；仍 OOM 就换 2B 模型。
2. 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 工具扩写成长提示，同时把guidance_scale调到 6–7 再跑一遍对比。
3. 播放掉帧、时长和帧数对不上。根因：fps 与帧数没按模型档位配套。对策：保持默认组合（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。

那条"骑自行车女孩"跑通后，链路就算活了。下一步动作：同一命令加--seed 7再跑一次，把两版成片并排对比——种子和参数对画面的实际影响，一眼就能看出来。

【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