Video AI không kiểm duyệt · NVIDIA NVlabs

SANA-Video 2.0 720p không kiểm duyệt: Clip điện ảnh trong vài giây, không phải vài phút

Hỏi AI ▾

Chờ hai mươi phút cho một clip AI dài năm giây sẽ giết chết mọi ý tưởng sáng tạo trước khi nó kịp nảy mầm. Nhóm NVlabs của NVIDIA tạo ra SANA-Video 2.0 để giải quyết đúng vấn đề đó. Checkpoint SANA-Video 2.0 720p là mô hình trọng số mở với khoảng 4,47 tỷ tham số, tạo tám giây video 24 fps từ một prompt ngắn, hoặc biến một ảnh tĩnh thành khung hình đầu và làm nó chuyển động; trên một GPU H100, nhóm cho biết một clip 720p dài năm giây chỉ mất khoảng 13 giây. Vì trọng số được công khai, bạn có thể chạy trên GPU của riêng mình mà không có bộ lọc đám mây nào chen vào. Dưới đây là những gì nó làm tốt, tốc độ thực tế, cách chạy và những prompt hiệu quả nhất.

  • 720p, khoảng 8 giây
  • Trọng số mở
  • Văn bản và ảnh thành video
Làm ảnh chuyển động ngay →

Trình tạo video thay thế không kiểm duyệt

Ảnh thành video

Tải ảnh lên và mô tả chuyển động, Spicy AI sẽ biến nó thành một clip ngắn.

Ảnh của bạn sẽ được làm chuyển động.

Từ SANA-Video đến phiên bản 2.0: điều gì đã tốt hơn

SANA-Video đầu tiên, được trình bày dưới dạng bài báo oral tại ICLR 2026, đã chứng minh rằng một mô hình video nhỏ có thể chạy nhanh bằng cách thay phần lớn phép tính attention nặng nề bằng linear attention nhẹ hơn. SANA-Video 2.0, do NVlabs cùng các đối tác như MIT và HKU phát hành vào tháng 8 năm 2026, giữ nguyên ý tưởng về tốc độ nhưng thu hẹp khoảng cách chất lượng. Kích thước mô hình tăng hơn gấp đôi, từ khoảng 2 tỷ lên khoảng 4,5 tỷ tham số. Cứ bốn lớp thì ba lớp vẫn dùng linear attention nhanh, còn lớp thứ tư dùng softmax attention cổ điển làm điểm neo giúp chi tiết và chuyển động nhất quán. Mô hình cũng chuyển sang bộ autoencoder video LTX 2.3, bổ sung huấn luyện kết hợp văn bản thành video và ảnh khung đầu thành video, đồng thời ra mắt bản xem trước chưng cất 4 bước để tạo bản nháp tức thì. Kết quả là clip dài hơn, sắc nét hơn mà không mất đi tốc độ vốn làm nên sức hút của dòng mô hình này.

So sánh nhanh phiên bản 1 và 2.0

Nếu bạn từng thử mô hình gốc và thấy clip bị mờ hoặc quá ngắn, SANA-Video 2.0 đáng để thử lại. Đây là những thay đổi quan trọng nhất với người sáng tạo hằng ngày.

SANA-Video (v1)SANA-Video 2.0
Kích thước mô hìnhKhoảng 2B tham sốKhoảng 4,47B tham số (cấp 5B)
Thiết kế attentionLinear attention nhân quả theo khốiLớp linear + softmax theo tỷ lệ 3:1
Autoencoder videoVAE đời trướcLTX 2.3 (128 kênh)
Chế độVăn bản và ảnh thành videoVăn bản thành video, ảnh khung đầu thành video, xem trước 4 bước
Độ dài clip 720pClip ngắn hơn193 khung hình ở 24 fps, khoảng 8 giây

Người sáng tạo làm gì với một mô hình video nhanh

Tốc độ thay đổi cách bạn làm việc. Khi một clip render trong vài giây thay vì nửa tiếng, bạn không còn phải nâng niu từng prompt mà bắt đầu khám phá: mười góc máy cho một cảnh, năm tông ánh sáng cho một sản phẩm, ba cái kết cho một tình tiết. Đó là lý do những người đầu tiên bàn về SANA-Video 2.0 720p là các nhóm làm phim ngắn cần phân cảnh hàng chục cảnh mỗi tập, người bán hàng thương mại điện tử cần B-roll mới mỗi tuần, họa sĩ minh họa muốn tấm poster của mình "thở", và các nhà phát triển tìm một nền tảng rẻ, nhanh cho công cụ video riêng. Người sáng tạo nội dung người lớn (18+) cũng ưa quy trình này cho các cảnh catwalk quyến rũ, phối đồ thời trang và không khí lãng mạn, nơi việc thử nhanh nhiều biến thể quan trọng hơn bất kỳ bản render hoàn hảo đơn lẻ nào.

Phân cảnh phim ngắn

Xem trước cả chuỗi cảnh phim ngắn khổ dọc chỉ trong vài phút: làm nháp bằng bản 4 bước, rồi render những cảnh ưng ý ở chất lượng đầy đủ.

Cảnh quay sản phẩm và quảng cáo

Bàn xoay, đẩy máy chậm và ánh sáng có chiều sâu cho đồng hồ, nước hoa hay giày thể thao, sẵn sàng làm B-roll cho cửa hàng và quảng cáo mạng xã hội.

Truyện hoạt hình ngắn

Nhân vật hoạt hình tươi sáng nhảy múa, vẫy tay hay chạy nhảy. Bản demo của chính NVIDIA là một chú gà trống hoạt hình, và phong cách vui nhộn rất hợp với mô hình.

Đồng hồ đeo tay bạc xoay trên bệ đá cẩm thạch đen dưới ánh sáng viền dịu, cảnh quay video sản phẩm AI

Nhanh đến mức nào so với Wan 2.2 và LTX-2.3?

Tốc độ là điểm nhấn chính. Trang dự án của NVIDIA so sánh thời gian render một clip 720p dài năm giây với 40 bước trên một H100. Với bộ suy luận Sol-Engine, SANA-Video 2.0 720p hoàn thành trong khoảng 13 giây, mà nhóm mô tả là nhanh hơn Wan 2.2 A14B khoảng 120 lần. Không dùng bộ đó, bài báo ghi nhận 13,2 giây cho clip 480p ở 40 bước và điểm VBench 84,30. Đây là biểu đồ của chính phòng thí nghiệm, không phải benchmark độc lập, và thời gian trên GPU phổ thông vẫn chưa được công bố. Dù vậy, nếu bạn đang tìm mô hình video mã nguồn mở nhanh nhất hiện nay, đây chính là mô hình mà ai cũng đem ra so sánh.

Mô hình (720p, 5 giây, 40 bước, một H100)Thời gian render công bố
Wan 2.2 14B1556 giây
HunyuanVideo788 giây
LTX-2.3130 giây
SANA-Video 2.0 14B (chưa phát hành)69,3 giây
SANA-Video 2.0 5B + Sol-Engine13,06 giây

Số liệu lấy từ trang dự án và bài báo của chính NVIDIA. Wan 2.2 vẫn có cộng đồng và hệ sinh thái LoRA lớn hơn, còn LTX-2.3 có bộ công cụ âm thanh phong phú hơn; lợi thế của SANA là tốc độ thuần túy.

Đầu ra 720p, 8 giây trông như thế nào

Cấu hình SANA-Video 2.0 720p render ở 1280×736, 193 khung hình với 24 khung hình mỗi giây, tương đương khoảng tám giây cảnh quay. Như vậy đủ dài cho một chuyển động máy trọn vẹn hoặc một tình tiết nhỏ, chẳng hạn nhân vật quay lại, mỉm cười và bước ra khỏi khung hình. Khi đổi kích thước, hãy giữ chiều rộng và chiều cao chia hết cho 32, và chọn số khung hình sao cho số đó trừ một chia hết cho 8 (ví dụ 121 hoặc 193). Những cảnh quay gọn gàng, điện ảnh với một chủ thể rõ ràng cho kết quả tốt nhất: sản phẩm trên bàn xoay, phong cảnh, chân dung chuyển động nhẹ và hoạt hình cách điệu. Cảnh đông người với hành động nhanh vẫn là điểm yếu.

Mô hình đầy đủ 50 bước và bản xem trước 4 bước

Hai checkpoint SANA-Video 2.0 có cùng kích thước 720p và được thiết kế để phối hợp với nhau. Mô hình đầy đủ cho chi tiết tốt nhất và hỗ trợ ảnh khung đầu thành video. Bản 4 bước, phát hành tháng 9 năm 2026, là mô hình văn bản thành video đã chưng cất, tạo bản nháp gần như tức thì, để bạn thử ý tưởng trước rồi render những bản tốt nhất sau.

Mô hình đầy đủBản xem trước 4 bước
Chế độVăn bản thành video + ảnh khung đầu thành videoChỉ văn bản thành video
Số bước và guidanceKhoảng 50 bước, CFG 8, flow shift 12, motion score 204 bước, CFG 1
Tùy chọn clip720p, 193 khung hình, 24 fps5 giây ở 16 fps hoặc 8 giây ở 24 fps
Phù hợp nhất choBản render cuối và ảnh tĩnh chuyển độngNháp nhanh và phân cảnh

Ảnh thành video: làm một bức ảnh tĩnh chuyển động

Với mô hình SANA-Video 2.0 720p đầy đủ, bạn có thể đưa vào một bức ảnh làm khung hình đầu và mô tả điều gì sẽ diễn ra tiếp theo. Tranh minh họa, poster, ảnh sản phẩm và tranh nhân vật đều dùng được: tóc bay trong gió, máy quay đẩy vào, một nụ cười xuất hiện. Trong tệp prompt chính thức, mỗi dòng gồm văn bản, sau đó là thẻ <image>, rồi đến đường dẫn tới ảnh của bạn. Hãy giữ chuyển động vừa phải, vì nhóm lưu ý rằng video có thể lệch dần khỏi chi tiết gốc trong tám giây. Bản xem trước 4 bước không nhận ảnh, nên hãy dùng mô hình đầy đủ cho chế độ này.

Chú cáo hoạt hình vui vẻ nhảy múa trong căn phòng cổ điển ấm cúng dán giấy hoa, ý tưởng video AI hoạt hình ngắn

Tải từ Hugging Face và chạy trên máy

Chạy SANA-Video 2.0 chỉ cần bốn bước, và bạn có thể thử prompt trên bản demo trực tuyến miễn phí tại Hugging Face trước khi tải bất cứ thứ gì. Hai câu hỏi phổ biến hiện chưa có câu trả lời chính thức: NVIDIA chưa công bố yêu cầu VRAM, chỉ có kết quả thử trên H100, và việc hỗ trợ gốc ComfyUI hoặc Diffusers cho phiên bản 2.0 chưa được xác nhận, nên hiện tại các script chính thức là cách đáng tin cậy nhất.

  • Clone kho NVlabs/Sana từ GitHub và cài đặt các thư viện cần thiết.
  • Tải checkpoint Efficient-Large-Model/SANA-Video_2.0_5B_720p, hoặc bản _4step để làm nháp, từ Hugging Face.
  • Tải autoencoder video LTX 2.3 mà model card chỉ định.
  • Chạy inference_video_scripts/inference_sana_video.sh với tệp prompt, kích thước và số khung hình của bạn.

Mẫu prompt hiệu quả

Lời khuyên của nhóm rất đơn giản: ngắn gọn và cụ thể tốt hơn dài dòng và mơ hồ, và khả năng bám prompt giảm khi bạn chồng nhiều chi tiết. Với SANA-Video 2.0 720p, công thức đáng tin cậy là một chủ thể, một hành động, một chuyển động máy và một nguồn sáng. Hãy sao chép các mẫu này và thay chủ thể của bạn vào.

  • Sản phẩm: "A sleek silver wristwatch rotating slowly on a black marble pedestal, soft rim light, shallow depth of field, 24fps cinematic."
  • Phim ngắn: "Close-up of an adult woman on a rainy city street at night, neon reflections, she turns her head and smiles, handheld camera."
  • Hoạt hình: "A cheerful cartoon fox dancing in a cozy vintage room with floral wallpaper, bright colors, smooth motion."
  • Phong cảnh: "Aerial drone shot gliding over misty mountains at sunrise, slow forward motion, golden light."
  • Ảnh thành video: khung hình đầu kèm "The character gently blinks and her hair moves in the wind, camera slowly pushes in."
  • Quyến rũ (18+): "An adult model in a satin evening gown walks down a candlelit hallway, slow tracking shot, warm light."
  1. Mỗi clip chỉ viết một chủ thể và một hành động; tám giây trôi qua rất nhanh.
  2. Ghi rõ chuyển động máy (đẩy vào, xoay quanh, bám theo, drone) trong mọi prompt.
  3. Thêm một nguồn sáng, chẳng hạn neon, giờ vàng hoặc ánh sáng viền.
  4. Làm nháp bằng mô hình 4 bước, rồi render lại prompt tốt nhất bằng mô hình đầy đủ.
  5. Ghi rõ mọi người xuất hiện đều là người trưởng thành (18+).

Hạn chế đã biết và phản hồi ban đầu từ cộng đồng

NVIDIA thẳng thắn về điểm yếu của SANA-Video 2.0: cảnh đông người hoặc rất nhiều chuyển động, giải phẫu cơ thể người, chữ trên màn hình và vật lý có thể bị chao đảo, prompt dài và phức tạp ít được bám sát hơn, và ảnh thành video có thể lệch khỏi ảnh gốc. Điểm VBench là tự công bố. Sự quan tâm ban đầu là có thật, với vài nghìn lượt tải checkpoint trên Hugging Face trong tháng đầu tiên, nhưng các bài đánh giá độc lập quy mô lớn vẫn chưa xuất hiện. Một mô hình 14B render ở 480p được ghi là sắp ra mắt, chưa có ngày cụ thể.

Có SANA-Video 2.0 không kiểm duyệt không?

Các ứng dụng video trên đám mây kiểm tra mọi prompt và khung hình, và thường từ chối đồ bơi, nội y hay cảnh lãng mạn ngay cả giữa những người trưởng thành tự nguyện. Trọng số mở thì khác: khi bạn chạy SANA-Video 2.0 720p trên máy của mình, không có dịch vụ kiểm duyệt nào trong quy trình, nên theo nghĩa đó mô hình chạy cục bộ vốn đã không bị kiểm duyệt. Nhưng thành thật mà nói, nó không được huấn luyện hay tinh chỉnh cho nội dung người lớn, và tính đến tháng 11 năm 2026 vẫn chưa có bản fine-tune NSFW hay LoRA nào, nên chi tiết khiêu dâm không phải thế mạnh của nó. Hãy xem nó như một công cụ nháp nhanh cho các cảnh người lớn tinh tế, và luôn đảm bảo mọi nhân vật đều là người trưởng thành (18+), không bao giờ dùng người thật khi chưa có sự đồng ý.

Không có H100? Tạo video người lớn ngay trên trình duyệt

Hầu hết mọi người không có GPU cấp trung tâm dữ liệu hay đủ kiên nhẫn để cài đặt script Python. Spicy AI cung cấp tính năng tạo video không kiểm duyệt tương tự trực tuyến: tải lên một bức ảnh, mô tả chuyển động và nhận một clip ngắn dành cho người lớn (18+), không cần cài đặt gì. Chỉ dùng ảnh bạn sở hữu hoặc được phép sử dụng.

Biến một bức ảnh thành video ngắn không kiểm duyệt, không cần GPU hay cài đặt.

Mở ảnh thành video →

Tự triển khai SANA-Video 2.0 so với tạo trực tuyến trên Spicy AI

Triển khai cục bộ (trọng số chính thức)Spicy AI trực tuyến
Bộ lọc nội dungKhông có trong hệ thống của bạnKhông lọc nội dung cho người lớn
Trọng số mởCóKhông cần, chạy trên trình duyệt
Mô hìnhSANA-Video 2.0 5B 720p hoặc 4 bướcMô hình video không kiểm duyệt tương tự, lưu trữ trực tuyến
Chi phí bắt đầuTải miễn phí, dùng GPU của bạnCó gói miễn phí

Câu hỏi thường gặp

SANA-Video 2.0 là gì?

Đây là mô hình video trọng số mở từ nhóm NVlabs của NVIDIA cùng các đối tác như MIT và HKU. Checkpoint 5B 720p, phát hành tháng 8 năm 2026, tạo clip khoảng tám giây ở 24 fps từ văn bản hoặc từ ảnh khung đầu.

Video dài bao lâu và sắc nét đến đâu?

Mô hình 720p render 1280×736 với 193 khung hình ở 24 fps, khoảng tám giây. Bản xem trước 4 bước cho 5 giây ở 16 fps hoặc 8 giây ở 24 fps.

Cần bao nhiêu VRAM?

NVIDIA chưa công bố yêu cầu. Các số liệu tốc độ chính thức đều được đo trên một H100.

Có chạy được trong ComfyUI không?

Việc hỗ trợ gốc ComfyUI hoặc Diffusers cho phiên bản 2.0 chưa được xác nhận. Hiện tại, hãy dùng các script trong kho NVlabs/Sana hoặc bản demo trên Hugging Face.

Phiên bản 14B đã ra chưa?

Chưa. Mô hình 14B ở 480p được ghi là sắp ra mắt trên trang dự án, chưa có ngày phát hành.

Nó có thật sự không kiểm duyệt không?

Khi chạy cục bộ, không có dịch vụ kiểm duyệt nào lọc prompt. Tuy nhiên, nó không được huấn luyện cho nội dung người lớn và chưa có bản fine-tune NSFW nào, nên chi tiết khiêu dâm còn hạn chế và mọi nội dung chỉ được có người trưởng thành.

Spicy AI có liên kết với NVIDIA không?

Không. Spicy AI là nền tảng độc lập, không liên kết hay được NVIDIA bảo trợ. NVIDIA và SANA là nhãn hiệu của các chủ sở hữu tương ứng.

Nguồn tham khảo

Sign in

Welcome to Spicy AI

or