模型找得到，
下载更顺手。

本模型用于根据文本提示生成和修改视频。 非量化自回归文本到视频生成模型。使用预训练的文本编码器（Phi-2）和VAE视频分词器（OpenSoraPlanV1.2-VAE）。 使用Hugging Face Diffusers库运行。

MTVCraft 是一个根据单一文本提示生成同步音频视频的框架，用于探索创建通用视听内容的潜在 pipeline。 MTVCraft 采用多阶段 pipeline 设计。首先，使用 Qwen3 解析用户输入的提示词，将其分解为三类音频描述：人声、音效和背景音乐。随后，这些描述被输入 ElevenLabs 合成相应的音频轨道。最后，这些生成的音频轨道作为条件，引导 MTV 框架生成与声音时间同步的视频。 Qwen3 和 ElevenLabs 均可用具有类似功能的替代方案替换。

本模型为文本到视频生成模型，可根据文本提示生成和修改视频。 基于文本提示生成视频内容。模型采用统一离散扩散方法（Uniform Discrete Diffusion），使用Cosmos-Tokenize1-DV4x8x8-360p作为分词器。 精度：torch.float16（FP16）

模型论文：Uniform Discrete Diffusion with Metric Path for Video Generation 模型系列：BAAI-Vision-URSA 模型分词器：Cosmos-Tokenize1-DV4x8x8-360p