• 人工智能
• 大模型
• 媒体生成
• 模型蒸馏
• 模型压缩

FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree是一个文生音画视频（text-to-audio-video）模型：只需一段文字 Prompt，就能在4 次 transformer 前向内同时生成带同步音频的视频。它基于 FastVideo 团队对 MiniMax-H3 的 4 步快速蒸馏（FastH3 Preview v1），采用>git clone https://gitcode.com/hf_mirrors/FastVideo/FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree cd FastVideo uv venv --python 3.12 --seed source .venv/bin/activate UV_TORCH_BACKEND=cu130 uv pip install \ --no-sources-package fastvideo-kernel \ -e ".[fasth3]"

该命令会让 uv 直接选用 FastVideo 发布的 CUDA kernel 预编译轮子，而不在本地编译 kernel，显著缩短安装时间。其他平台请按 FastVideo 官方安装指南操作。

3. 运行生成脚本

python examples/inference/basic/basic_fasth3.py \ --model-path FastVideo/FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree \ --prompt "your prompt" \ --no-warmup \ --repeats 1

脚本位于 FastVideo 项目的examples/inference/basic/目录下。跑通后，你会得到一段画面与音频同步的视频文件——这就是从 Prompt 到成片的完整闭环。

四、Prompt 怎么写：文生音画视频的实战技巧 ✍️

因为模型是"音画一体"生成的，Prompt 里除了画面，还可以直接描述声音。建议按下面结构组织（模型以英文 Prompt 为主，可先写英文）：

结构公式：主体 + 动作 + 镜头语言 + 环境声 / 音乐

• ✅ 推荐示例：A golden retriever running on a beach at sunset, camera slowly panning, waves crashing and seagulls calling in the background, warm cinematic light.
• ✅ 音乐场景：A jazz band playing in a smoky lounge, saxophone solo, soft applause, shallow depth of field, 35mm film grain.
• ❌ 避免：只写抽象概念（如"freedom""happiness"），模型对具象的物体、动作、声音更敏感。

三条小贴士：

1. 声音描述越具体越好：乐器名、环境声（风声、雨声、人声）、节奏都可以写进 Prompt；
2. 复杂运动和精细纹理是该 Preview 版本的相对弱项，关键画面尽量用简单明确的镜头；
3. 一次生成不满意时，可用--repeats多跑几条挑选，而不是先追求单次完美。

五、关键参数速查表 🛠️

调度侧细节：视频调度器 scheduler/scheduler_config.json 中shift: 12.0，配合 4 步去噪时间表（999→749→500→250），无需用户手动调整。

六、能力边界与合规提醒 ⚠️

Preview 版本的适用范围：

• 目前仅支持text-to-audio-video（文生音画视频）；FL2VA（首帧+文本）与 Ref2VA（参考图）尚未蒸馏，暂不可用；
• 复杂运动、精细细节及部分音频表现可能略逊于基座 MiniMax-H3。

许可条款（来自 LICENSE）：

• 采用 MiniMax H3 社区许可，适用地域不包括欧盟、英国、韩国和美国，商用前请务必确认所在地域合规；
• 年营收超过 2000 万美元的商用产品需向 MiniMax 申请书面授权，并需在产品中显著展示 "MiniMax H3"；
• 不得用本模型的输出训练其他 AI 模型。

七、常见问题 FAQ 💬

Q1：只有 1 张或 2 张卡能跑吗？可以，只要卡数整除 56 个注意力头，并按上文加上--no-replicated-dit --vsa-kernel triton --no-fa4三个参数即可。

Q2：不想要 70GB 完整权重怎么办？官方发布了配套的 FastH3 LoRA（vsa-datafree 版本），只需下载蒸馏适配器配合基座模型使用，可大幅节省磁盘与带宽。

Q3：为什么不能直接放进其他推理框架？该检查点绑定 FastVideo 的 VSA-H3 稀疏注意力后端，缺少该后端的框架无法正确复现其 4 步推理行为。

Q4：如何确认模型权重完整？参考 checkpoint_content.json 中列出的 18 个文件清单与 SHA-256 校验值逐项比对。

总结

FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree 用4 步前向 + 稀疏注意力把"文字 → 带声音的视频"的门槛降到了当前开源模型的第一梯队：一次 Prompt 同时驱动画面与音频，4 卡 B200 或任意"整除 56 头"的多卡环境即可出片。建议从简单镜头、具体声景的 Prompt 开始试起，逐步探索这个文生音画视频模型的完整潜力。

• 人工智能
• 大模型
• 媒体生成
• 模型蒸馏
• 模型压缩