这篇教程解决什么问题
本地运行视频模型的难点通常不在点击启动，而在依赖版本、显存管理和素材整理。本文用一条可回滚的流程，帮助你先生成一段稳定样片，再逐步提升画质。
环境检查清单
- 确认 NVIDIA 驱动、CUDA 与推理框架版本相互匹配。
- 为项目建立独立 Python 虚拟环境，并预留模型、缓存和输出所需空间。
- 准备一张低分辨率测试图和一个简短提示词，避免第一次就运行复杂工作流。
从零开始运行
- 克隆官方项目并进入目录，记录提交版本。
- 安装项目锁定的依赖和对应 PyTorch，不要混用其他项目的环境。
- 从官方模型页面下载权重，校验文件大小或校验和后放入指定目录。
- 先运行示例工作流，观察 GPU 利用率、显存峰值和生成时间。
- 保存成功配置，再一次只调整一个参数。
8GB 显存的调参顺序
优先降低分辨率，再降低帧数和采样步数，最后再考虑量化或分块推理。每次调整都记录参数和结果，这样能快速找到画质与速度的平衡点。
发布前检查
检查画面是否闪烁、主体是否变形、音视频是否同步，并确认模型许可证允许你的使用场景。不要上传包含个人隐私的素材，也不要把模型目录暴露到公网。
一个可复现的练习
第一次运行时，建议只准备一张 768 像素左右的测试图和 3 秒片段。记录模型版本、分辨率、帧数、采样步数、显存峰值和耗时。这样即使更换驱动或模型，也能快速判断问题来自环境还是参数。
完成标准
- 能够连续生成两次而不出现依赖或显存错误。
- 输出文件可以在常用播放器中正常打开。
- 你已经保存了可复用的工作流和参数记录。