Step-Video-T2V 保姆级部署教程：阶跃星辰 300 亿参数文生视频模型，多卡并行与单卡量化全流程

Step-Video-T2V（仓库 stepfun-ai/Step-Video-T2V）是阶跃星辰（StepFun）开源的300 亿参数文生视频预训练模型，最长可生成 204 帧。技术报告（arXiv:2502.10248）显示它采用深压缩 Video-VAE（空间 16×16、时间 8× 压缩）、双语文本编码器、3D 全注意力 DiT（48 层 / 48 头），并在最后阶段用 Video-DPO 做人类偏好优化。它在中文文生视频上对标了开源与商业引擎，2025 年 3 月 17 日还发布了图生视频姊妹版 Step-Video-TI2V。

门槛是：官方原生推理推荐 80GB 显存的多卡服务器（768×768×204 峰值显存 78.55GB）。但官方 README 同时指明——单卡低显存推理与量化请走魔搭 DiffSynth-Studio。本文把两条路都讲清楚。

一、项目介绍与适用场景

Step-Video-T2V 是一个预训练文生视频基座模型，输入中文/英文提示词，输出最高 204 帧、最长约 10 秒的视频。官方还提供蒸馏加速版 Step-Video-T2V-Turbo（推理步数从 30-50 步压到 10-15 步）。适用场景：中文创意视频生产、广告分镜预演、AI 视频工作室的基座模型二次开发。它与本站已写过的 CogVideoX、Wan2.1、HunyuanVideo 是同代但不同厂商的模型，本系列此前未覆盖阶跃系。

二、核心功能逐条拆解

1. 300 亿参数文生视频：DiT 架构，48 层 × 48 头，3D RoPE。
2. 最长 204 帧：官方支持的最大帧数。
3. 双语文本编码：中英双语预训练文本编码器。
4. 深压缩 Video-VAE：16×16 空间 + 8× 时间压缩。
5. Video-DPO 后训练：降低伪影、画面更真实。
6. 多卡并行推理：官方提供 text encoder / VAE / DiT 解耦的多卡方案。
7. Turbo 蒸馏版：10-15 步出片，速度数倍提升。
8. 官方评测基准：开源 128 条中文提示词、11 个品类的 Step-Video-T2V-Eval。

三、全套官方链接

四、硬件与环境前置要求

官方 README "Requirements" 表格原文（batch size=1、无 CFG 蒸馏）：

• 要求：NVIDIA GPU + CUDA；官方测试在 4 卡上；推荐 80GB 显存 GPU 以获得最佳画质。
• 测试系统：Linux。
• 文本编码器 step_llm 的 self-attention 只支持 sm_80 / sm_86 / sm_90 算力架构（即 A100 / RTX 30/40/H100 等）。
• 依赖：Python ≥ 3.10；PyTorch ≥ 2.3-cu121；CUDA Toolkit；FFmpeg。

五、多平台部署步骤

官方只提供源码安装（pip install -e .），未提供 Docker，本文不展开 Docker 小节。

5.1 源码部署（官方 4.2 节）

git clone https://github.com/stepfun-ai/Step-Video-T2V.git
conda create -n stepvideo python=3.10
conda activate stepvideo

cd Step-Video-T2V
pip install -e .
pip install flash-attn --no-build-isolation  ## flash-attn 可选

逐段解释：克隆仓库；官方指定 Python 3.10 建 conda 环境；pip install -e . 装项目本体；flash-attn 可选（装了能把 50 步推理从 1437s 压到 860s）。

5.2 下载权重（官方 Model Download）

国内用户建议走 ModelScope。

5.3 多卡并行推理（官方 4.3 节）

官方采用 text encoder、VAE 解码、DiT 解耦策略：先用一个 GPU 起 caption/VAE 服务：

python api/call_remote_server.py --model_dir where_you_download_dir &  ## 假设你有 4 张以上 GPU，返回 caption API 与 VAE API 的 URL

parallel=4  # or parallel=8
url='127.0.0.1'
model_dir=where_you_download_dir

tp_degree=2
ulysses_degree=2

# 确保 tp_degree x ulysses_degree = parallel
torchrun --nproc_per_node $parallel run_parallel.py --model_dir $model_dir --vae_url $url --caption_url $url  --ulysses_degree $ulysses_degree --tensor_parallel_degree $tp_degree --prompt "一名宇航员在月球上发现一块石碑，上面印有“stepfun”字样，闪闪发光" --infer_steps 50  --cfg_scale 9.0 --time_shift 13.0

解释：tp_degree × ulysses_degree = parallel；--prompt 后接提示词；--infer_steps、--cfg_scale、--time_shift 是三大调参。

5.4 单卡推理与量化（官方指路）

官方 README 原文："The open-source project DiffSynth-Studio by ModelScope offers single-GPU inference and quantization support"——单卡方案请看 https://github.com/modelscope/DiffSynth-Studio/tree/main/examples/stepvideo ，本文同系列已写 DiffSynth-Studio 部署教程。

（官方 README 中的模型架构图，出处：assets/model_architecture.png）

六、配置文件全部参数解释

官方 4.4 节 "Best-of-Practice" 给出的推理参数最佳实践：

七、启动、后台常驻与开机自启

7.1 启动

按第五节 5.3 执行 torchrun ... run_parallel.py，跑完即输出视频。官方未提供常驻服务，本文不展开 systemd。

7.2 修改端口

多卡方案中 caption/VAE 服务 URL 由 call_remote_server.py 返回，用 --vae_url / --caption_url 指定。

八、功能实操教程

第 1 步：装好环境（5.1），下载权重到 model_dir（5.2）。

第 2 步：在 4 卡机器上后台起 call_remote_server.py，记下返回的两个 URL。

第 3 步：跑官方示例 prompt（5.3 命令），观察终端打印采样进度。

第 4 步：换自己的提示词，比如 "一只猫在窗台晒太阳，镜头缓缓推进"，--infer_steps 50 --cfg_scale 9.0 --time_shift 13.0。

第 5 步：想加速，换 Turbo 权重，把 --infer_steps 设 12、--cfg_scale 5.0、--time_shift 17.0（官方 4.4 表）。

第 6 步：只有单卡？走 DiffSynth-Studio 的 stepvideo 示例做量化低显存推理。

九、全套报错故障排查

1. CUDA out of memory 原因：768×768×204 要 78.55GB。 解决：用更小分辨率（544×992×136 要 72.48GB）；或走 DiffSynth-Studio 单卡量化；Turbo 版步数更少。

2. text encoder 报算力不支持 原因：step_llm 只支持 sm_80/86/90（A100/30/40/H100）。 解决：换支持的显卡；老卡（V100 sm_70）官方未支持。

3. flash-attn 编译失败 原因：编译耗时长或环境不齐。 解决：官方注明 flash-attn 可选，跳过即可（推理慢些）。

4. torchrun 报 tp_degree x ulysses_degree != parallel 原因：并行度乘积不等于 nproc_per_node。 解决：确保 tp_degree × ulysses_degree = parallel（官方注释原文）。

5. HF 下载慢 原因：网络。 解决：改用 ModelScope 权重（官方表格提供）。

十、升级、回滚与卸载

• 升级：git pull；按官方 News（2025.03.17 发布 TI2V、2025.02.17 发布 T2V）切换对应权重。
• 回滚：git checkout <旧tag>；权重多版本分目录。
• 卸载：删除仓库、conda env remove -n stepvideo。

十一、商用许可与合规风险提示

• 代码为 MIT，允许商用、修改、分发。
• 模型权重需到 HuggingFace/ModelScope 模型页确认其许可证（与代码 MIT 可能分离），商用前单独核对。
• 生成视频需符合内容规范，不得用于伪造真人、虚假宣传。

参考链接

• 官方 README：https://github.com/stepfun-ai/Step-Video-T2V/blob/main/README.md
• 论文：https://arxiv.org/abs/2502.10248
• 权重（HF）：https://huggingface.co/stepfun-ai/stepvideo-t2v
• 单卡方案：https://github.com/modelscope/DiffSynth-Studio/tree/main/examples/stepvideo