Stable Video Diffusion зарегистрировал 231 198 загрузок в месяц на Hugging Face по состоянию на 2025 год. Модель была выпущена компанией Stability AI в ноябре 2023 года и собрала более 26 600 звёзд на GitHub, опираясь на обучающие данные, включавшие исходно 580 миллионов видеоклипов.
Исходный Large Video Dataset содержал эквивалент 212 лет видео. После фильтрации было отобрано 152 миллиона клипов, соответствующих критериям качества и динамики.
Для этапа дообучения отобрали 250 000 высококачественных клипов. Средняя длительность клипа в отфильтрованном наборе составляет около 10,53 секунды, при среднем числе кадров на клип около 301.
Обучение требовало примерно 200 000 часов на графических ускорителях A100 80GB, при этом основная конфигурация состояла из 48 узлов по восемь A100 на каждом. Энергопотребление указанного обучения оценено в 64 000 кВт·ч, что эквивалентно примерно 19 000 кг CO2.
Платформа включает несколько вариантов модели для разных задач. Базовая версия SVD генерирует 14 кадров при разрешении 576×1024 с частотой 3–30 кадров в секунду, обеспечивая ролики длительностью примерно 2–4 секунды.
Вариант SVD-XT увеличивает выход до 25 кадров при том же разрешении, а версия SVD 1.1 формирует 25 кадров в разрешении 1024×576 при фиксированной частоте 6 кадров в секунду, что даёт около четырёх секунд видео.
Семейство расширенных моделей охватывает 3D и 4D возможности: SV3D запущена в марте 2024 года и генерирует 21 кадр при 576×576 для мультивидового синтеза. SV4D появилась в июле 2024 года с 40 кадрами в конфигурации 5×8 видов, а SV4D 2.0 выпускает 48 кадров в разложении 12×4 видов для улучшенной пространственно-временной согласованности.
В сравнительных тестах человеческих предпочтений SVD показал лучшую оценку качества видео по сравнению с коммерческими решениями GEN-2 от Runway и PikaLabs. Оценки проводились с привлечением респондентов в США, Великобритании и Канаде, причём участникам платили примерно 12 долларов в час.
Показатели безопасности и надёжности, полученные в ходе ред-тиминга и доверительных оценок, превышают 90% и 95% соответственно, что указывает на готовность к промышленному применению при соблюдении текущих методов проверки.
Активность сообщества отражается в 26 600+ звёздах и более 3 000 форках на GitHub, 3 200+ лайков на Hugging Face и свыше 100 активных Spaces. В репозитории отмечены 273 наблюдателя, 278 открытых issue и около 50 открытых pull-реквестов; код преимущественно на Python (98,1%), а объём файлов модели составляет примерно 32,6 ГБ под лицензией MIT.
Глобальный рынок генераторов видео с использованием ИИ оценён в 614,8 миллиона долларов в 2024 году с прогнозируемым ростом до 2 562,9 миллиона долларов к 2032 году при среднем годовом темпе 20%. В 2024 году Северная Америка занимала около 40,61% рынка, Азиатско‑Тихоокеанский регион — 31,40%, решения составляли 63,31% доли рынка, а облачные развёртывания — 78%.
Инвестиционная активность в секторе продолжила рост в начале 2025 года, с общими вливаниями свыше 500 миллионов долларов. Среди крупных раундов — 308 миллионов долларов для Runway, 180 миллионов для Synthesia, 32 миллиона для Hedra и 5,25 миллиона для Gan.ai, что усиливает конкуренцию между проприетарными и открытыми решениями.
Комментариев