镜像名称

TurboDiffusion是什么

• TurboDiffusion 是清华大学、生数科技和加州大学伯克利分校联合推出的视频生成加速框架。
• 框架通过 SageAttention、SLA（稀疏线性注意力）和 rCM（时间步蒸馏）等技术
• 将视频生成速度提升 100~200 倍，能在单张 RTX 5090 显卡上将原本 184 秒的生成任务缩短到 1.9 秒
• 框架降低了视频生成的门槛，推动行业变革，让创意成为核心竞争力。

webUI使用界面

使用界面；

相关链接

• 项目源码：

• https://github.com/thu-ml/TurboDiffusion

---

TurboDiffusion 用户使用手册

目录

1. 快速开始
2. T2V 文本生成视频
3. I2V 图像生成视频
4. 参数详解
5. 最佳实践
6. 常见问题

---

快速开始

启动 WebUI

cd /root/TurboDiffusion
export PYTHONPATH=turbodiffusion
python webui/app.py

访问浏览器打开 WebUI 界面（默认端口会在终端显示）。

---

T2V 文本生成视频

基础使用

1. 选择模型

   • Wan2.1-1.3B: 轻量级模型，适合快速生成
   • Wan2.1-14B: 大型模型，质量更高（需要更多显存）

2. 输入提示词

   示例: 一位时尚的女性走在东京街头，街道两旁是温暖发光的霓虹灯和动画城市标牌
   

3. 设置参数

   • 分辨率: 480p (推荐) 或 720p
   • 宽高比: 16:9, 9:16, 1:1, 4:3, 3:4
   • 采样步数: 1-4 步（推荐 4 步）
   • 随机种子: 0 为随机，固定数字可复现结果

4. 点击生成

   • 等待生成完成
   • 视频保存在 outputs/ 目录

提示词技巧

好的提示词特征:

• 具体描述场景、人物、动作
• 包含视觉细节（颜色、光线、风格）
• 使用动态词汇（走、跑、飞、旋转）

示例提示词:

✓ 好: 一只橙色的猫在阳光明媚的花园里追逐蝴蝶，花朵随风摇曳
✗ 差: 猫和蝴蝶

✓ 好: 未来城市的空中交通，飞行汽车在摩天大楼间穿梭，霓虹灯闪烁
✗ 差: 未来城市

✓ 好: 海浪拍打着岩石海岸，日落时分，金色的光芒洒在水面上
✗ 差: 海边日落

---

I2V 图像生成视频

功能说明

✅ I2V 功能已完整实现并可用！

I2V (Image-to-Video) 可以将静态图像转换为动态视频，支持：

• 双模型架构（高噪声和低噪声模型自动切换）
• 自适应分辨率（根据输入图像宽高比自动调整）
• ODE/SDE 采样模式选择
• 完整的参数控制

基础使用

1. 上传图像

   • 支持格式: JPG, PNG
   • 推荐分辨率: 720p 或更高
   • 任意宽高比（自适应模式会自动调整）

2. 输入提示词

   • 描述图像中物体的运动和变化
   • 描述相机运动（推进、拉远、环绕等）
   • 描述环境变化（光影、天气等）

3. 设置参数

   • 分辨率: 720p（当前仅支持）
   • 宽高比: 16:9, 9:16, 1:1, 4:3, 3:4
   • 采样步数: 1-4 步（推荐 4 步）
   • 随机种子: 0 为随机，固定数字可复现结果

4. 高级设置（可选）

   • 模型切换边界: 0.5-1.0（默认 0.9）
   • ODE 采样: 启用（推荐）或禁用
   • 自适应分辨率: 启用（推荐）或禁用
   • 初始噪声强度: 100-300（默认 200）

5. 点击生成

   • 等待生成完成（约 1-2 分钟）
   • 视频保存在 output/ 目录

提示词示例

相机运动:

相机缓慢向前推进，树叶随风摇摆
相机环绕拍摄，展示建筑的全貌
镜头从远处拉近，聚焦到人物面部

物体运动:

她抬头看向天空，然后回头看向镜头
云层快速移动，光影变化
海浪拍打着岩石，水花四溅

环境变化:

日落时分，天空颜色从蓝色渐变到橙红色
雨滴开始落下，地面逐渐湿润
风吹动窗帘，阳光透过窗户洒进房间

I2V 特有参数

Boundary (模型切换边界)

• 范围: 0.5 - 1.0
• 0.9 (默认): 在 90% 时间步切换到低噪声模型
• 0.7: 更早切换，可能提高细节
• 1.0: 不切换，仅使用高噪声模型

ODE Sampling (ODE 采样)

• 启用 (推荐): 确定性采样，结果更锐利
• 禁用: 随机性采样（SDE），结果更鲁棒但稍软

Adaptive Resolution (自适应分辨率)

• 启用 (推荐): 根据输入图像宽高比自动计算输出分辨率
• 禁用: 使用固定分辨率（可能导致图像变形）

显存需求

I2V 使用双模型架构（高噪声 + 低噪声），显存需求：

• 最小: ~24GB（启用量化）
• 推荐: ~40GB（完整精度）
• 适用 GPU: RTX 5090, RTX 4090, H100, A100

性能优化

加速技巧:

1. 启用量化（quant_linear=True）
2. 使用 SageSLA 注意力
3. 减少采样步数到 2 步（快速预览）
4. 使用较小的帧数（如 49 帧）

质量优化:

1. 使用 4 步采样
2. 提高 SLA TopK 到 0.15
3. 使用 ODE 采样模式
4. 启用自适应分辨率

---

参数详解

核心参数

1. Model (模型)

T2V 模型:

• Wan2.1-1.3B:

  • 显存需求: ~12GB
  • 生成速度: 快
  • 适用场景: 快速预览、测试提示词

• Wan2.1-14B:

  • 显存需求: ~40GB
  • 生成速度: 较慢
  • 适用场景: 高质量最终输出

I2V 模型:

• Wan2.2-A14B (双模型):
  • 显存需求: ~24GB（量化）/ ~40GB（完整）
  • 生成速度: 较慢（需加载两个模型）
  • 适用场景: 图像转视频
  • 特点: 高噪声和低噪声模型自动切换

2. Resolution (分辨率)

• 480p: 854×480 像素

  • 速度快，显存占用低
  • 适合快速迭代

• 720p: 1280×720 像素

  • 质量更高，细节更丰富
  • 需要更多显存和时间

3. Aspect Ratio (宽高比)

• 16:9: 标准横屏（电影、视频）
• 9:16: 竖屏（手机、短视频）
• 1:1: 正方形（社交媒体）
• 4:3: 传统电视比例
• 3:4: 竖版传统比例

4. Steps (采样步数)

• 1 步: 最快，质量较低
• 2 步: 平衡速度和质量
• 4 步: 推荐，质量最佳

5. Seed (随机种子)

• 0: 每次生成不同结果
• 固定数字: 相同提示词生成相同视频（可复现）

高级参数

Attention Type (注意力机制)

• sagesla (推荐): 最快，需要 SpargeAttn
• sla: 较快，内置实现
• original: 最慢，完整注意力

SLA TopK

• 范围: 0.05 - 0.2
• 0.1 (默认): 平衡速度和质量
• 0.15: 质量更高，速度稍慢
• 0.05: 速度最快，质量可能下降

Quant Linear (量化)

• True: RTX 5090/4090 必须启用
• False: H100/A100 推荐禁用

Num Frames (帧数)

• 默认: 81 帧 (~5 秒 @ 16fps)
• 可调整范围: 33-161 帧

Sigma Max (初始噪声)

• T2V 默认: 80
• I2V 默认: 200
• 更高值 = 更多随机性

---

最佳实践

1. 快速迭代工作流

第一轮: 测试提示词
├─ Model: Wan2.1-1.3B
├─ Resolution: 480p
├─ Steps: 2
└─ 快速验证创意

第二轮: 精细调整
├─ Model: Wan2.1-1.3B
├─ Resolution: 480p
├─ Steps: 4
└─ 调整提示词细节

第三轮: 最终输出
├─ Model: Wan2.1-14B (可选)
├─ Resolution: 720p
├─ Steps: 4
└─ 生成高质量成品

2. 显存优化

低显存 GPU (12-16GB):

• 使用 Wan2.1-1.3B
• 分辨率限制在 480p
• 启用 quant_linear
• 关闭其他 GPU 程序

中等显存 GPU (24GB):

• 可使用 Wan2.1-1.3B @ 720p
• 或 Wan2.1-14B @ 480p
• 启用 quant_linear

高显存 GPU (40GB+):

• 可使用 Wan2.1-14B @ 720p
• 可禁用 quant_linear 获得更好质量

3. 提示词优化

结构化提示词模板:

[主体] + [动作] + [环境] + [光线/氛围] + [风格]

示例:
一位宇航员 + 在月球表面漫步 + 地球在背景中升起 +
柔和的蓝色光芒 + 电影级画质

动态元素:

• 使用动词: 走、跑、飞、旋转、摇摆、流动
• 描述相机运动: 推进、拉远、环绕、俯视
• 添加环境动态: 风吹、水流、光影变化

4. 种子管理

保存好的种子:

提示词: 樱花树下的武士
种子: 42
结果: 优秀 ⭐⭐⭐⭐⭐

提示词: 赛博朋克城市夜景
种子: 1337
结果: 优秀 ⭐⭐⭐⭐⭐

---

常见问题

Q1: 生成速度慢怎么办？

A:

• 使用 sagesla 注意力（确保已安装 SpargeAttn）
• 降低分辨率到 480p
• 使用 1.3B 模型而非 14B
• 减少采样步数到 2 步

Q2: 显存不足 (OOM) 怎么办？

A:

• 启用 quant_linear=True
• 使用更小的模型 (1.3B)
• 降低分辨率
• 减少帧数
• 确保使用 PyTorch 2.8.0（更高版本可能 OOM）

Q3: 生成结果不理想？

A:

• 增加采样步数到 4
• 使用更详细的提示词
• 尝试不同的随机种子
• 调整 sla_topk 到 0.15 提升质量
• 使用更大的模型 (14B)

Q4: 如何复现之前的结果？

A:

• 记录使用的随机种子
• 使用相同的提示词
• 使用相同的模型和参数
• 种子为 0 时每次结果都不同

Q5: 视频保存在哪里？

A:

• 默认路径: /root/TurboDiffusion/outputs/
• 文件名格式: t2v_{seed}_{model}_{timestamp}.mp4
• 例: t2v_42_Wan2_1_1_3B_20251224_153000.mp4

Q6: 可以生成多长的视频？

A:

• 默认: 81 帧 (~5 秒 @ 16fps)
• 可调整 num_frames 参数
• 范围: 33-161 帧 (2-10 秒)
• 更长视频需要更多显存

Q7: 支持中文提示词吗？

A:

• 是的，完全支持中文
• 也支持英文和中英混合
• 模型使用 UMT5 文本编码器，多语言支持良好

Q8: 如何提高生成质量？

A:

1. 使用 4 步采样
2. 提高 sla_topk 到 0.15
3. 使用 720p 分辨率
4. 使用 14B 模型（T2V）
5. 编写详细的提示词
6. 尝试多个种子选择最佳结果

Q9: I2V 和 T2V 有什么区别？

A:

• T2V: 从文本生成视频，适合创意内容
• I2V: 从图像生成视频，适合让静态图像动起来
• I2V 使用双模型架构，需要更多显存
• I2V 支持自适应分辨率，可根据输入图像调整

Q10: I2V 生成时间为什么比 T2V 长？

A:

• I2V 需要加载两个 14B 模型（高噪声 + 低噪声）
• 模型切换需要额外时间
• 图像编码和预处理需要时间
• 典型生成时间: ~110 秒（4 步采样）

Q11: 如何选择 ODE 还是 SDE 采样？

A:

• ODE（推荐）: 确定性，结果更锐利，相同种子可复现
• SDE: 随机性，结果更鲁棒但稍软，每次略有不同
• 建议先用 ODE，如果结果不理想再尝试 SDE

Q12: 自适应分辨率是什么？

A:

• 根据输入图像的宽高比自动计算输出分辨率
• 保持目标区域面积不变（如 720p = 921600 像素）
• 避免图像变形和拉伸
• 推荐启用，除非需要固定尺寸输出

---

输出文件说明

视频文件

• 格式: MP4
• 编码: H.264
• 帧率: 16 fps
• 时长: ~5 秒 (81 帧)

文件命名

T2V:
t2v_{seed}_{model}_{timestamp}.mp4

I2V:
i2v_{seed}_Wan2_2_A14B_{timestamp}.mp4

示例:
t2v_0_Wan2_1_1_3B_20251224_153045.mp4
i2v_42_Wan2_2_A14B_20251224_162722.mp4
│   │  │              └─ 时间戳
│   │  └─ 模型名称
│   └─ 随机种子
└─ 生成类型 (t2v/i2v)

---

技术支持

日志查看

# 查看 WebUI 日志
tail -f webui_startup_latest.log

# 查看详细错误
cat webui_test.log

性能监控

# 监控 GPU 使用
nvidia-smi -l 1

# 查看显存占用
watch -n 1 nvidia-smi

问题反馈

• 查看 todo.md 了解已知问题
• 查看 CLAUDE.md 了解技术细节
• 查看 SAGESLA_INSTALL.md 了解安装问题
• 查看 I2V_IMPLEMENTATION.md 了解 I2V 技术细节

---

更新日志

2025-12-24

• ✓ 修复 SageSLA 安装问题
• ✓ 优化默认参数配置
• ✓ 添加用户使用手册
• ✓ 完整实现 I2V 功能
  • 双模型架构（高噪声 + 低噪声）
  • 自适应分辨率支持
  • ODE/SDE 采样模式
  • 完整的 WebUI 界面
• ✓ 添加启动脚本日志功能

---

祝您使用愉快！🎬