需满足硬件兼容性、依赖环境与模型权重三方面条件：一、确认NVIDIA显卡驱动≥525.60.13且CUDA为11.8/12.1；二、创建并激活Python虚拟环境；三、安装PyTorch 2.1.2与xformers 0.0.23.post1；四、通过Hugging Face Token下载stabilityai/svd权重并克隆v0.9.0代码库；五、运行sample_e2e.py脚本生成视频。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在本地运行Stable Video Diffusion模型，避免在线服务的排队等待与订阅费用，则需满足硬件兼容性、依赖环境与模型权重三方面基础条件。以下是完成本地部署的具体步骤：
一、确认显卡与CUDA支持
Stable Video Diffusion依赖GPU加速推理，仅支持NVIDIA显卡且需匹配特定CUDA版本。不满足该前提将无法加载模型或触发CUDA runtime error。
1、在终端中执行 nvidia-smi，确认驱动版本不低于525.60.13。
2、运行 nvcc --version，验证CUDA编译器版本为11.8或12.1。
3、若CUDA版本不符，需卸载当前CUDA Toolkit并从NVIDIA官网下载对应安装包重新配置。
二、构建Python虚拟环境
隔离依赖可防止PyTorch、xformers等关键库与其他项目冲突，确保torch.compile与flash attention模块正常启用。
1、执行 python3 -m venv svt-env 创建独立环境。
2、运行 source svt-env/bin/activate（Linux/macOS）或 svt-env\Scripts\activate.bat（Windows）激活环境。
3、升级pip至23.3以上： python -m pip install --upgrade pip。
三、安装兼容版PyTorch与xformers
官方要求PyTorch 2.1+配合CUDA 11.8/12.1，且xformers必须为0.0.23.post1或0.0.24，否则视频帧生成时出现memory leak或attention kernel crash。
1、安装PyTorch：执行 pip3 install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118（CUDA 11.8用户）。
2、安装xformers：运行 pip install xformers==0.0.23.post1 --index-url https://download.pytorch.org/whl/cu118。
3、验证安装：在Python交互环境中输入 import torch; print(torch.cuda.is_available())，输出True即通过。
四、获取模型权重与代码仓库
Stable Video Diffusion未开源全部训练权重，当前可用的是stabilityai/svd和stabilityai/svd-xt两个公开变体，需通过Hugging Face Token授权下载。
1、访问 https://huggingface.co/stabilityai/svd，登录后同意许可协议并复制User Access Token。
2、执行 huggingface-cli login，粘贴Token完成认证。
3、克隆官方推理代码库： git clone https://github.com/Stability-AI/generative-models.git，进入目录后切换到 v0.9.0 标签分支。
五、运行视频生成脚本
使用内置sample_e2e.py可直接加载图像生成短视频，默认输出为MP4格式，无需额外FFmpeg配置，但需指定--decoding_t参数控制帧数。
1、准备一张尺寸为1024×576的输入图像，保存为 input.png。
2、执行命令：python scripts/sample_e2e.py --ckpt ./models/svd.safetensors --input_path input.png --decoding_t 14 --fps 12。
3、生成结果将输出至 outputs/ 目录，文件名含时间戳与参数标识。
