停！这些模型不适用于文本到图像（txt2img）推理！

不要将它们放入你的 stable-diffusion-webui/models 目录并期望生成图像！

那么这些模型是什么？

这些是基于 Modelscope 的新型文本到视频（txt2video）模型，专为生成 16:9 视频构图而优化。它们在 9,923 个视频片段和 29,769 个标注帧（24 fps，576x320 分辨率）上进行了训练。

请注意，这些模型的实际效果可能更好——我为了上传到 Civitai，不得不将 mp4 输出转换为 gif。我们还可以使用 Zeroscope v2 XL 文本到视频模型对这些视频进行上采样，我目前正在上传这些模型！

注意：此模型是 XL 版本的轻量版（点击查看），而 XL 版本需要更多的显存。如果你的显存超过 15GB，你应该使用 XL 版本。

将它们放入 \stable-diffusion-webui\models\ModelScope\t2v 文件夹中。

下载后，必须将 text2video_pytorch_model.pt 重命名为 .pth 扩展名。

文件必须命名为 open_clip_pytorch_model.bin 和 text2video_pytorch_model.pth。

这些模型专为 txt2video Auto1111 WebUI 扩展设计使用。