Informe Técnico de Step-Video-T2V: La Práctica, los Desafíos y el Futuro de los Modelos Fundamentales de Video

Step-Video-T2V Technical Report: The Practice, Challenges, and Future of Video Foundation Model

February 14, 2025

Autores: Guoqing Ma, Haoyang Huang, Kun Yan, Liangyu Chen, Nan Duan, Shengming Yin, Changyi Wan, Ranchen Ming, Xiaoniu Song, Xing Chen, Yu Zhou, Deshan Sun, Deyu Zhou, Jian Zhou, Kaijun Tan, Kang An, Mei Chen, Wei Ji, Qiling Wu, Wen Sun, Xin Han, Yanan Wei, Zheng Ge, Aojie Li, Bin Wang, Bizhu Huang, Bo Wang, Brian Li, Changxing Miao, Chen Xu, Chenfei Wu, Chenguang Yu, Dapeng Shi, Dingyuan Hu, Enle Liu, Gang Yu, Ge Yang, Guanzhe Huang, Gulin Yan, Haiyang Feng, Hao Nie, Haonan Jia, Hanpeng Hu, Hanqi Chen, Haolong Yan, Heng Wang, Hongcheng Guo, Huilin Xiong, Huixin Xiong, Jiahao Gong, Jianchang Wu, Jiaoren Wu, Jie Wu, Jie Yang, Jiashuai Liu, Jiashuo Li, Jingyang Zhang, Junjing Guo, Junzhe Lin, Kaixiang Li, Lei Liu, Lei Xia, Liang Zhao, Liguo Tan, Liwen Huang, Liying Shi, Ming Li, Mingliang Li, Muhua Cheng, Na Wang, Qiaohui Chen, Qinglin He, Qiuyan Liang, Quan Sun, Ran Sun, Rui Wang, Shaoliang Pang, Shiliang Yang, Sitong Liu, Siqi Liu, Shuli Gao, Tiancheng Cao, Tianyu Wang, Weipeng Ming, Wenqing He, Xu Zhao, Xuelin Zhang, Xianfang Zeng, Xiaojia Liu, Xuan Yang, Yaqi Dai, Yanbo Yu, Yang Li, Yineng Deng, Yingming Wang, Yilei Wang, Yuanwei Lu, Yu Chen, Yu Luo, Yuchu Luo, Yuhe Yin, Yuheng Feng, Yuxiang Yang, Zecheng Tang, Zekai Zhang, Zidong Yang, Binxing Jiao, Jiansheng Chen, Jing Li, Shuchang Zhou, Xiangyu Zhang, Xinhao Zhang, Yibo Zhu, Heung-Yeung Shum, Daxin Jiang

cs.AI

Resumen

Presentamos Step-Video-T2V, un modelo preentrenado de texto a video de última generación con 30B parámetros y la capacidad de generar videos de hasta 204 fotogramas de longitud. Se ha diseñado un Variational Autoencoder de compresión profunda, Video-VAE, para tareas de generación de video, logrando ratios de compresión espacial de 16x16 y temporal de 8x, mientras mantiene una calidad excepcional en la reconstrucción de video. Los prompts de los usuarios se codifican utilizando dos codificadores de texto bilingües para manejar tanto inglés como chino. Un DiT con atención completa 3D se entrena utilizando Flow Matching y se emplea para eliminar el ruido de la entrada y convertirlo en fotogramas latentes. Se aplica un enfoque DPO basado en video, Video-DPO, para reducir artefactos y mejorar la calidad visual de los videos generados. También detallamos nuestras estrategias de entrenamiento y compartimos observaciones e insights clave. El rendimiento de Step-Video-T2V se evalúa en un nuevo benchmark de generación de video, Step-Video-T2V-Eval, demostrando su calidad de texto a video de última generación en comparación con motores tanto de código abierto como comerciales. Además, discutimos las limitaciones del paradigma actual de modelos basados en difusión y esbozamos direcciones futuras para los modelos fundacionales de video. Hacemos disponibles tanto Step-Video-T2V como Step-Video-T2V-Eval en https://github.com/stepfun-ai/Step-Video-T2V. La versión en línea también puede accederse desde https://yuewen.cn/videos. Nuestro objetivo es acelerar la innovación de los modelos fundacionales de video y empoderar a los creadores de contenido de video.

English

We present Step-Video-T2V, a state-of-the-art text-to-video pre-trained model with 30B parameters and the ability to generate videos up to 204 frames in length. A deep compression Variational Autoencoder, Video-VAE, is designed for video generation tasks, achieving 16x16 spatial and 8x temporal compression ratios, while maintaining exceptional video reconstruction quality. User prompts are encoded using two bilingual text encoders to handle both English and Chinese. A DiT with 3D full attention is trained using Flow Matching and is employed to denoise input noise into latent frames. A video-based DPO approach, Video-DPO, is applied to reduce artifacts and improve the visual quality of the generated videos. We also detail our training strategies and share key observations and insights. Step-Video-T2V's performance is evaluated on a novel video generation benchmark, Step-Video-T2V-Eval, demonstrating its state-of-the-art text-to-video quality when compared with both open-source and commercial engines. Additionally, we discuss the limitations of current diffusion-based model paradigm and outline future directions for video foundation models. We make both Step-Video-T2V and Step-Video-T2V-Eval available at https://github.com/stepfun-ai/Step-Video-T2V. The online version can be accessed from https://yuewen.cn/videos as well. Our goal is to accelerate the innovation of video foundation models and empower video content creators.