Latte：视频生成器 — 功能与运行要求

Latte 是一款开源的视频生成器，基于 Latent Diffusion Transformer 架构构建。开发者将其定位为用于根据文本描述合成视频的研究工具，该工具已在 TMLR 2025 会议上发布。

功能

• 根据文本描述生成视频（text-to-video）。
• 采用 Latent Diffusion Transformer 方法——处理帧的隐式表示，而非逐像素生成。
• 作者提供了预训练模型，可供下载并在本地运行。
• 代码在 Apache-2.0 许可证下开源，允许在商业和非商业项目中使用和修改。

运行要求

• 平台：据作者描述，运行需要 CUDA。同时，文档中指出，若要在本地中央处理器上运行预训练模型，可以从依赖文件中移除 cudatoolkit 和 pytorch-cuda 依赖。
• 语言：Python。
• 许可证：Apache-2.0。
• 仓库：github.com/Vchitect/Latte。
• 时效性：代码最后一次更新于 2025 年 10 月 30 日。

适用人群

该工具主要面向熟悉 Python 和 PyTorch 生态系统的研究人员和开发者。开源代码和 Apache-2.0 许可证使其成为视频扩散实验、模型微调或集成到自有流程中的便捷基础。即便存在一些限制，CPU 运行的可能性也降低了没有强大 GPU 用户的入门门槛。

对于寻求现成图形界面应用或无需配置环境的云服务的用户，Latte 并不适合——它本质上是一个用于本地部署的代码库。

作者未指明具体的显存或内存容量要求，因此运行前应参考扩散模型的典型资源需求，并在自己的设备上进行测试。