無審查 AI 影片 · NVIDIA NVlabs
無審查 SANA-Video 2.0 720p:電影感短片只要幾秒,不必等幾分鐘
等二十分鐘才拿到一段五秒的 AI 短片,任何創意都會在萌芽前就被耗光。NVIDIA 的 NVlabs 團隊打造 SANA-Video 2.0,正是為了解決這個問題。SANA-Video 2.0 720p 檢查點是開放權重模型,約有 44.7 億個參數,能根據簡短提示詞生成 8 秒、24 fps 的影片,也能把靜態圖片當作首幀讓它動起來;團隊表示,在單張 H100 上,一段五秒 720p 短片大約 13 秒就能完成。由於權重公開,你可以在自己的 GPU 上執行,中間沒有任何雲端過濾。以下說明它擅長什麼、實際有多快、怎麼執行,以及哪些提示詞效果最好。
- 720p,約 8 秒
- 開放權重
- 文字與圖片轉影片
無審查替代影片生成器
圖片轉影片上傳照片並描述動作,Spicy AI 會把它變成一段短片。
從 SANA-Video 到 2.0 版:哪些地方變好了
第一代 SANA-Video 以口頭報告論文的形式在 ICLR 2026 發表,證明小型影片模型只要把大部分繁重的注意力運算換成較輕量的線性注意力,就能跑得很快。SANA-Video 2.0 由 NVlabs 與 MIT、香港大學等合作夥伴於 2026 年 8 月發布,保留了這個追求速度的思路,同時補上畫質差距。模型規模增加一倍以上,從約 20 億參數成長到約 45 億參數。每四層中仍有三層使用快速的線性注意力,第四層則使用經典的 softmax 注意力作為錨點,讓細節與動作保持一致。它也改用 LTX 2.3 影片自編碼器,加入文字轉影片與首幀圖片轉影片的聯合訓練,並推出 4 步蒸餾預覽版,可即時產出草稿。成果是更長、更清晰的短片,同時沒有失去這個系列最吸引人的速度。
第一版與 2.0 版一覽比較
如果你試過原版模型,覺得短片太模糊或太短,SANA-Video 2.0 值得再看一次。以下是對一般創作者最重要的改變。
| SANA-Video (v1) | SANA-Video 2.0 | |
|---|---|---|
| 模型規模 | 約 2B 參數 | 約 4.47B 參數(5B 級) |
| 注意力設計 | 區塊因果線性注意力 | 線性層與 softmax 層以 3:1 混合 |
| 影片自編碼器 | 較早期的 VAE | LTX 2.3(128 通道) |
| 模式 | 文字與圖片轉影片 | 文字轉影片、首幀圖片轉影片、4 步預覽 |
| 720p 短片長度 | 較短的短片 | 193 幀、24 fps,約 8 秒 |
創作者用快速影片模型做什麼
速度會改變你的工作方式。當一段短片只要幾秒就能算完,而不是半小時,你就不必再小心翼翼地守著每個提示詞,而是開始探索:一個場景試十種鏡位、一個產品試五種光線氛圍、一段劇情試三種結局。這就是為什麼最早討論 SANA-Video 2.0 720p 的,是每集要做幾十個分鏡的短劇團隊、每週都需要新 B-roll 的電商賣家、想讓海報「呼吸」起來的插畫家,以及尋找便宜又快速的基礎模型來打造自家影片工具的開發者。成人(18+)創作者也喜歡同樣的流程,用來做魅力走秀、時尚造型與浪漫氛圍場景,在這些情境中,快速嘗試大量變化比任何一次完美算繪都更重要。
短劇分鏡
幾分鐘內預覽一整串直式短劇鏡頭:先用 4 步版本打草稿,再把滿意的鏡頭以完整畫質算繪。
產品與廣告鏡頭
手錶、香水或球鞋的轉台展示、緩慢推鏡與氛圍光,可直接作為商店與社群廣告的 B-roll 素材。
卡通迷你故事
色彩鮮明的動畫角色跳舞、揮手或奔跑。NVIDIA 自己的示範就是一隻卡通公雞,俏皮的風格非常適合這個模型。

和 Wan 2.2、LTX-2.3 相比有多快?
速度是最大的亮點。NVIDIA 的專案頁面比較了在單張 H100 上以 40 步算繪一段五秒 720p 短片所需的時間。搭配 Sol-Engine 推論堆疊,SANA-Video 2.0 720p 約 13 秒就能完成,團隊形容這大約比 Wan 2.2 A14B 快 120 倍。不使用該堆疊時,論文報告 480p 短片以 40 步需要 13.2 秒,VBench 分數為 84.30。這些是實驗室自己的圖表,並非獨立基準測試,消費級 GPU 的耗時也尚未公布。即便如此,如果你正在尋找目前最快的開源影片模型,這就是大家都拿來比較的那一個。
| 模型(720p、5 秒、40 步、單張 H100) | 公布的算繪時間 |
|---|---|
| Wan 2.2 14B | 1556 秒 |
| HunyuanVideo | 788 秒 |
| LTX-2.3 | 130 秒 |
| SANA-Video 2.0 14B(尚未發布) | 69.3 秒 |
| SANA-Video 2.0 5B + Sol-Engine | 13.06 秒 |
數據來自 NVIDIA 自己的專案頁面與論文。Wan 2.2 仍擁有更大的社群與 LoRA 生態系,LTX-2.3 的音訊工具也更豐富;SANA 的優勢在於純粹的速度。
720p、8 秒的輸出效果如何
SANA-Video 2.0 720p 規格以 1280×736 算繪,193 幀、每秒 24 幀,換算約為八秒的畫面。這足以完成一段完整的運鏡或一個小劇情,例如角色轉身、微笑並走出畫面。調整尺寸時,寬與高都要能被 32 整除,幀數則要選擇減一後能被 8 整除的數字(例如 121 或 193)。主體單一明確、乾淨又有電影感的鏡頭效果最好:產品轉台、風景、動作輕柔的人像,以及風格化動畫。擁擠且動作快速的場景仍是弱點。
完整 50 步模型與 4 步預覽版比較
兩個 SANA-Video 2.0 檢查點同樣是 720p 規格,設計上就是要搭配使用。完整模型提供最佳細節,並支援首幀圖片轉影片。4 步版本於 2026 年 9 月發布,是蒸餾過的文字轉影片模型,幾乎能即時產出短片草稿,讓你先測試想法,之後再算繪勝出的版本。
| 完整模型 | 4 步預覽版 | |
|---|---|---|
| 模式 | 文字轉影片 + 首幀圖片轉影片 | 僅限文字轉影片 |
| 步數與引導 | 約 50 步、CFG 8、flow shift 12、motion score 20 | 4 步、CFG 1 |
| 短片選項 | 720p、193 幀、24 fps | 5 秒 16 fps 或 8 秒 24 fps |
| 最適合 | 最終成品與靜圖動畫化 | 快速草稿與分鏡 |
圖片轉影片:讓靜態圖片動起來
在完整的 SANA-Video 2.0 720p 模型中,你可以提供一張圖片作為首幀,並描述接下來應該發生什麼。插畫、海報、產品照與角色設定圖都適用:頭髮隨風飄動、鏡頭推近、臉上浮現微笑。在官方提示詞檔案中,每一行依序是文字、<image> 標籤,以及圖片路徑。動作幅度請保持適中,因為團隊指出,在八秒內影片可能逐漸偏離原圖細節。4 步預覽版不接受圖片,因此這個模式請使用完整模型。

從 Hugging Face 下載並在本機執行
讓 SANA-Video 2.0 跑起來只需四個步驟,而且在下載任何東西之前,你可以先在 Hugging Face 的免費線上示範中測試提示詞。有兩個常見問題目前還沒有官方答案:NVIDIA 尚未公布 VRAM 需求,只提供 H100 的測試結果;2.0 版也尚未確認原生支援 ComfyUI 或 Diffusers,因此目前官方腳本是最可靠的方式。
- 從 GitHub 複製 NVlabs/Sana 儲存庫並安裝相依套件。
- 從 Hugging Face 下載 Efficient-Large-Model/SANA-Video_2.0_5B_720p 檢查點,或用於草稿的 _4step 版本。
- 下載模型卡指定的 LTX 2.3 影片自編碼器。
- 以你的提示詞檔案、尺寸與幀數執行 inference_video_scripts/inference_sana_video.sh。
實用的提示詞範本
團隊的建議很簡單:簡短具體勝過冗長模糊,堆疊太多細節時,模型對提示詞的遵循度會下降。對 SANA-Video 2.0 720p 來說,可靠的公式是一個主體、一個動作、一種運鏡與一個光源。複製這些範本,換上你自己的主體即可。
- 產品:"A sleek silver wristwatch rotating slowly on a black marble pedestal, soft rim light, shallow depth of field, 24fps cinematic."
- 短劇:"Close-up of an adult woman on a rainy city street at night, neon reflections, she turns her head and smiles, handheld camera."
- 卡通:"A cheerful cartoon fox dancing in a cozy vintage room with floral wallpaper, bright colors, smooth motion."
- 風景:"Aerial drone shot gliding over misty mountains at sunrise, slow forward motion, golden light."
- 圖片轉影片:首幀加上 "The character gently blinks and her hair moves in the wind, camera slowly pushes in."
- 魅力(18+):"An adult model in a satin evening gown walks down a candlelit hallway, slow tracking shot, warm light."
- 每段短片只寫一個主體與一個動作;八秒很快就過去了。
- 每個提示詞都要寫明運鏡方式(推鏡、環繞、跟拍、空拍)。
- 加入一個光源,例如霓虹、黃金時刻或輪廓光。
- 先用 4 步模型打草稿,再用完整模型重新算繪最好的提示詞。
- 註明畫面中每個人物都是成年人(18+)。
已知限制與早期社群迴響
NVIDIA 坦白說明了 SANA-Video 2.0 的弱點:擁擠或動態極大的場景、人體結構、畫面中的文字與物理效果可能不穩定,冗長複雜的提示詞遵循度較低,圖片轉影片也可能偏離原圖。VBench 分數為自行公布。早期關注度確實存在,該檢查點在 Hugging Face 上第一個月就有數千次下載,但大型獨立評測尚未出現。以 480p 算繪的 14B 模型標示為即將推出,尚未公布日期。
有無審查版的 SANA-Video 2.0 嗎?
雲端影片應用會檢查每個提示詞與每一幀,即使是雙方合意的成年人,也經常拒絕泳裝、內衣或浪漫情節。開放權重則不同:當你在自己的電腦上執行 SANA-Video 2.0 720p 時,流程中沒有任何審核服務,從這個角度來說,本機模型本身就是無審查的。但老實說,它並未針對成人內容進行訓練或調校,截至 2026 年 11 月也尚未發現任何 NSFW 微調或 LoRA,因此露骨細節並非它的強項。把它當作製作有品味成人場景的快速草稿引擎,並確保每個人物都是成年人(18+),絕不在未經同意的情況下使用真實人物。
沒有 H100?直接在瀏覽器製作成人影片
大多數人既沒有資料中心等級的 GPU,也沒有耐心設定 Python 腳本。Spicy AI 在線上提供類似的無審查影片生成:上傳一張照片、描述動作,就能得到一段成人(18+)短片,完全不需安裝。請只使用你擁有或已獲授權的照片。
把一張照片變成無審查短影片,不需 GPU、免設定。
開啟圖片轉影片 →自架 SANA-Video 2.0 與在 Spicy AI 線上生成比較
| 本機部署(官方權重) | Spicy AI 線上版 | |
|---|---|---|
| 內容過濾 | 自己的環境中沒有 | 對成人無內容過濾 |
| 開放權重 | 是 | 不需要,在瀏覽器中執行 |
| 模型 | SANA-Video 2.0 5B 720p 或 4 步版 | 類似的無審查影片模型,線上託管 |
| 入門費用 | 免費下載,使用自己的 GPU | 提供免費方案 |
常見問題
什麼是 SANA-Video 2.0?
它是 NVIDIA 的 NVlabs 團隊與 MIT、香港大學等合作夥伴推出的開放權重影片模型。5B 720p 檢查點於 2026 年 8 月發布,可根據文字或首幀圖片生成約八秒、24 fps 的短片。
影片有多長、多清晰?
720p 模型以 1280×736 算繪,193 幀、24 fps,約八秒。4 步預覽版提供 5 秒 16 fps 或 8 秒 24 fps。
需要多少 VRAM?
NVIDIA 尚未公布需求。官方的速度數據全部都是在單張 H100 上測得。
可以在 ComfyUI 中使用嗎?
2.0 版尚未確認原生支援 ComfyUI 或 Diffusers。目前請使用 NVlabs/Sana 儲存庫中的腳本,或 Hugging Face 示範。
14B 版本推出了嗎?
還沒有。480p 的 14B 模型在專案頁面上標示為即將推出,尚無發布日期。
它真的無審查嗎?
在本機執行時,沒有任何審核服務過濾提示詞。不過它並未針對成人內容訓練,也尚未發現 NSFW 微調,因此露骨細節有限,且所有內容都必須只涉及成年人。
Spicy AI 與 NVIDIA 有關係嗎?
沒有。Spicy AI 是獨立平台,與 NVIDIA 沒有任何關聯,也未獲 NVIDIA 背書。NVIDIA 與 SANA 為其各自所有者的商標。