Stable Video Diffusion: tạo video AI trên GPU riêng

Stable Video Diffusion (SVD) là model của Stability AI nhận vào một bức ảnh và tạo ra một clip ngắn từ chính bức ảnh đó, không có ô gõ prompt. Bản SVD-XT tạo 25 khung hình 1024×576. Trên card RTX 3090, mỗi clip mất khoảng 73 giây khi chạy bằng ComfyUI. Đo bằng thư viện diffusers thì PyTorch cần khoảng 11 đến 13GiB VRAM (bộ nhớ của card đồ họa). Mình đo ngày 23/10/2026 trên hai máy AIDev Cloud, một RTX 3090 và một Tesla P40.

Những điều cần nắm trước khi đọc tiếp:

• Có hai bản tải tự do: SVD (14 khung) và SVD-XT (25 khung). Bản SVD-XT 1.1 thì phải đăng nhập Hugging Face và đồng ý điều khoản mới tải được.

• SVD không nhận prompt chữ. Bạn chỉ điều khiển được mức chuyển động (motion_bucket_id), số khung và fps.

• Clip SVD-XT dài 25 khung, tức khoảng 2,5 giây ở 10 fps. Chuyển động mạnh thì hình bắt đầu méo.

• Dùng thương mại được nếu doanh thu năm dưới 1 triệu USD, nhưng phải đăng ký với Stability AI.

• So với Wan 2.2 (mình đã đo trên cùng loại card), SVD nhẹ hơn nhiều, nhưng clip ngắn hơn và không điều khiển được bằng prompt.

Stable Video Diffusion có chức năng chính là gì?#

Chức năng chính của SVD là image-to-video: bạn đưa một ảnh, model đoán xem cảnh đó sẽ chuyển động thế nào trong vài giây tiếp theo rồi vẽ ra các khung hình. Ảnh đầu vào gần như được giữ nguyên ở khung đầu tiên. Ở các khung sau, máy quay lia, zoom hoặc vật thể trong ảnh di chuyển nhẹ.

Theo model card trên Hugging Face, SVD-XT được fine-tune (huấn luyện thêm) từ bản 14 khung để tạo 25 khung ở 1024×576. Chính model card cũng liệt kê giới hạn: clip ngắn (không quá 4 giây), có khi không chuyển động hoặc chỉ lia máy rất chậm, không điều khiển được bằng chữ, không viết được chữ đọc được, mặt người có thể bị sai.

Stability AI công bố SVD tháng 11/2023. Repo SVD-XT trên Hugging Face sửa lần cuối ngày 10/07/2024 và vẫn có 118.846 lượt tải trong 30 ngày gần nhất (số Hugging Face API báo ngày 23/10/2026). SVD là model cũ, nhưng vẫn có người dùng vì nó nhẹ và workflow đơn giản.

SVD có những bản nào, tải ở đâu?#

Mình tra ba repo chính thức của Stability AI trên Hugging Face ngày 23/10/2026:

Hai bản đầu tải thẳng bằng lệnh hf (công cụ dòng lệnh của Hugging Face), không cần token. Bản 1.1 để chế độ gated (phải xin quyền mới tải được): bạn đăng nhập Hugging Face và bấm đồng ý điều khoản trên trang repo. Sau đó tạo access token và chạy hf auth login trên máy GPU trước khi tải. Bài này chỉ đo hai bản không cần đăng nhập.

Cả ba repo còn có bản cho thư viện diffusers (thư mục unet, vae, image_encoder). Bản fp16 (trọng số lưu ở dạng số thực 16 bit) của SVD-XT gồm unet 3,05GB, image encoder 1,26GB và VAE 0,2GB, nhẹ hơn nhiều so với file 9,56GB dùng cho ComfyUI.

Dùng SVD cho việc thương mại có được không?#

Được, có điều kiện. Cả ba bản dùng Stability AI Community License (cập nhật 05/07/2024):

• Nghiên cứu và dùng cá nhân, không thương mại: miễn phí.

• Thương mại: miễn phí nếu bạn (tính cả công ty liên kết) có doanh thu năm dưới 1.000.000 USD, và phải đăng ký tại stability.ai/community-license.

• Doanh thu vượt ngưỡng đó thì giấy phép cộng đồng chấm dứt, bạn phải xin giấy phép doanh nghiệp.

Wan 2.2 thì khác: repo dùng Apache-2.0, không có ngưỡng doanh thu. Nếu bạn làm clip cho khách hàng, chênh lệch này đáng cân nhắc trước cả chuyện chất lượng.

Chạy SVD trong ComfyUI thế nào?#

Mình cài ComfyUI 0.42.1 (bản mới nhất trên GitHub ngày 23/10/2026) vào máy RTX 3090 vừa thuê, với PyTorch 2.14.1 bản CUDA 13.0. Cách cài ComfyUI từng bước có ở bài ComfyUI là gì. Nếu cũng chạy trên máy thuê như mình, bài ComfyUI cloud trên GPU thuê có script cài ComfyUI kèm model SVD và cách mở giao diện qua SSH tunnel. Phần riêng cho SVD chỉ là tải model vào đúng thư mục checkpoints:

cd /root/ComfyUI
hf download stabilityai/stable-video-diffusion-img2vid-xt svd_xt.safetensors --local-dir /root/.cache/tai-model
mv /root/.cache/tai-model/svd_xt.safetensors models/checkpoints/
du -h models/checkpoints/svd_xt.safetensors

9.0G	models/checkpoints/svd_xt.safetensors

Hugging Face ghi file nặng 9,56GB, còn du báo 9,0G vì lệnh này tính theo GiB. Tối hôm đó mạng chậm, mình tải mất 293 giây trên máy 3090 và 158 giây trên máy P40.

Không có workflow mẫu SVD trong Templates#

Mình mở mục Templates của ComfyUI 0.42.1 và gõ "Stable Video". Trong 612 mẫu, chỉ hiện ra đúng một mẫu Seedance 2.0 chạy qua API trả phí, không có mẫu nào cho SVD.

Workflow SVD chuẩn nằm ở trang ComfyUI Examples do tác giả ComfyUI viết. Tải file workflow_image_to_video.json về rồi kéo vào giao diện. Workflow mẫu dùng bản 14 khung, mình đổi ckpt_name sang svd_xt.safetensors và video_frames sang 25:

Bốn tham số đáng chỉnh nằm ở node SVD_img2vid_Conditioning:

Phần sau của workflow là KSampler 20 bước, CFG 2,5 (mức model bám theo ảnh điều kiện), sampler euler, scheduler karras. Node Video Linear CFG Guidance tăng CFG dần từ 1,0 ở khung đầu lên 2,5 ở khung cuối, để khung xa ảnh gốc được dẫn mạnh hơn.

Mình bấm Run trên giao diện: lần đầu (gồm cả nạp model) hết 81 giây theo log của ComfyUI. Để đo nhiều lần cho đều, mình gửi cùng workflow này qua API của ComfyUI, xuất mp4 10 fps thay vì WEBP động.

SVD chạy nhanh đến đâu trên RTX 3090 và P40?#

Thời gian là con số ComfyUI tự ghi trong dòng Prompt executed in ... seconds, tính từ lúc nhận workflow đến lúc lưu xong file:

Tiền máy tính theo giá gói Standard trên trang AIDev Cloud ngày 23/10/2026: RTX 3090 15.000đ/giờ, Tesla P40 7.000đ/giờ. Đổi sang ảnh khác, chạy ảnh dọc ở 576×1024, hay đặt motion_bucket_id ở 40 hoặc 255 đều không làm thời gian đổi quá 2 giây. Trong các lần mình đo, thời gian chỉ đổi rõ khi đổi số khung (14 hay 25) hoặc đổi card.

Tesla P40 chậm hơn hẳn: 669,8 đến 672,3 giây một clip, gấp khoảng 9 lần RTX 3090. Giá giờ chỉ bằng một nửa nên tính ra mỗi clip trên P40 tốn khoảng 1.300đ, đắt gấp hơn 4 lần. VRAM đỉnh trên P40 là 14.393MiB. Mình đoán phần chậm đến từ chỗ P40 (đời Pascal) tính fp16 rất yếu, còn model SVD chạy ở fp16. P40 chỉ đáng dùng cho SVD khi bạn cần card 24GB mà không cần nhanh.

SVD cần bao nhiêu VRAM, card 12GB có chạy được?#

ComfyUI 0.42.1 bật DynamicVRAM: card còn trống bao nhiêu thì nó dùng bấy nhiêu, nên nvidia-smi báo 17.020 đến 18.972MiB trong mọi lần chạy SVD-XT trên RTX 3090. Con số đó không cho biết card nhỏ hơn có chạy được không.

Muốn biết PyTorch thật sự cần bao nhiêu, mình chạy lại SVD-XT bằng diffusers 0.41.0 theo đúng đoạn code trong model card, đọc torch.cuda.max_memory_allocated() (bộ nhớ các tensor thật sự dùng) và torch.cuda.max_memory_reserved() (bộ nhớ PyTorch giữ sẵn, gồm cả phần đệm) sau mỗi lần. Cài thêm vào venv (môi trường Python riêng) có sẵn PyTorch:

pip install diffusers==0.41.0 transformers accelerate opencv-python-headless

Đoạn chạy chính:

pipe = StableVideoDiffusionPipeline.from_pretrained(
    "stabilityai/stable-video-diffusion-img2vid-xt", torch_dtype=torch.float16, variant="fp16")
pipe.to("cuda")                      # hoặc pipe.enable_model_cpu_offload()
frames = pipe(img, decode_chunk_size=8, generator=torch.manual_seed(42)).frames[0]

Đổi sang offload (để phần model chưa dùng tới nằm ở RAM) và giải mã 2 khung một lần, VRAM cấp phát giảm từ 13,32GiB còn 10,83GiB mà chỉ chậm thêm 2 giây. Mình đoán VRAM không giảm sâu hơn vì phần nặng nhất là lúc UNet (mạng chính sinh khung hình) xử lý cả 25 khung cùng lúc, chứ không phải lúc chứa model (file UNet fp16 chỉ 3,05GB).

Từ hai số này mình suy ra card 12GB có thể chạy SVD-XT ở 1024×576 với offload, nhưng sát giới hạn: phần PyTorch giữ lại (12,53GiB) đã nhỉnh hơn 12GiB một chút. Card 8GB thì không đủ nếu giữ nguyên độ phân giải. Mình chưa chạy trên card 12GB hay 8GB, nên bạn hãy coi đây là điểm bắt đầu để thử. Chưa có card 24GB thì có thể thuê RTX 3090 theo giờ trên AIDev Cloud, cả lượt đo trên máy RTX 3090 trong bài chưa tới một giờ.

Clip SVD trông thế nào?#

Mình lấy lại ba ảnh đã dùng khi đo Wan 2.2: ổ bánh mì (CC0, Wikimedia Commons), phin cà phê (CC0) và linh vật bìa sách Python của AIDev. Mọi clip giữ seed (số khởi tạo ngẫu nhiên) 42, chỉ đổi những gì ghi ở từng mục.

Bánh mì với SVD-XT để mặc định#

Máy quay xoay và zoom nhẹ quanh rổ. Nhìn kỹ thì hai ổ bánh đổi hình dần, rau và cà chua dịch chỗ. Xem nhanh trên điện thoại thì vẫn ổn, nhưng làm clip sản phẩm thì món hàng bị biến dạng là điểm trừ lớn.

Ảnh gốc của mình là 1280×963 (tỉ lệ 4:3). Node điều kiện cắt giữa ảnh về 16:9 cho vừa 1024×576 nên mất một phần mép trên và dưới, ComfyUI không báo gì. Muốn giữ đủ khung thì tự cắt ảnh về 16:9 hoặc 9:16 trước khi đưa vào.

Cùng ảnh bánh mì với bản SVD 14 khung#

Bản 14 khung giữ hình tốt nhất trong các lần mình chạy: chỉ lia nhẹ, hai ổ bánh gần như không đổi. Clip chỉ dài 1,4 giây ở 10 fps.

Tăng motion_bucket_id lên 255#

Chuyển động mạnh hơn hẳn, nhưng từ khoảng khung thứ 17, ổ bánh bên phải và giấy gói vỡ thành vệt nhòe. Với ảnh đồ ăn, mức 255 là quá tay.

Phin cà phê ở mức 127 và mức 40#

Ở mức 127 (mặc định), phin cà phê méo dần, phía sau phin hiện ra một khối màu da trông như bàn tay, khung cuối máy quay nghiêng hẳn:

Hạ xuống 40 thì gần như thành ảnh tĩnh rung nhẹ, giữ nguyên hình phin và thìa. Nếu chỉ cần ảnh "sống" một chút cho banner thì mức thấp lại dùng được.

Linh vật Python tự dưng có khói#

Với ảnh 3D nền trắng này, con rắn gần như đứng yên, nhưng từ khung 2 đến khoảng khung 12 có một mảng khói xanh dương bay ngang qua, đậm nhất quanh khung 7 đến 9, rồi biến mất. Không có prompt nên mình không có cách nào bảo model đừng thêm thứ đó, chỉ còn cách đổi seed và chạy lại.

Nên chọn SVD hay Wan 2.2?#

Mình đã đo Wan 2.2 trên cùng loại card RTX 3090 ngày 17/10/2026, chạy kèm LoRA 4 bước (file nhỏ gắn thêm để model chỉ cần 4 bước lấy mẫu thay vì 20). Chi tiết ở bài Wan 2.2: tạo video AI mã nguồn mở. Đặt số của hai lần đo cạnh nhau:

Tính theo số khung làm ra, Wan 2.2 kèm LoRA 4 bước nhanh hơn: 81 khung cỡ 480p trong khoảng 110 giây, còn SVD-XT 25 khung 1024×576 trong 73 giây. Khung của SVD-XT to hơn, nhưng clip vẫn chỉ dài bằng nửa. Wan còn nhận prompt, nên bạn bảo được máy quay đi hướng nào, vật gì chuyển động. Thứ SVD hơn là nhẹ: file 9,56GB thay vì 47GB, và theo số đo diffusers, SVD-XT chạy trong khoảng 11 đến 13GiB VRAM.

Mình chọn thế này: làm clip sản phẩm hoặc quảng cáo trên card 24GB thì dùng Wan 2.2. SVD chỉ hợp khi card của bạn nhỏ hơn 24GB, khi bạn chỉ cần ảnh chuyển động nhẹ vài giây, hoặc khi đang học cách model video hoạt động mà chưa muốn tải gần 50GB model.

Lỗi mình đã gặp khi chạy SVD#

1. export_to_video requires the OpenCV library#

Khi mình chạy SVD-XT bằng diffusers, máy làm đủ 25 bước (1 phút 21 giây) rồi mới báo lỗi ở dòng lưu video:

ImportError:
export_to_video requires the OpenCV library but it was not found in your environment. You can install it with pip: `pip
install opencv-python`

Mình cài diffusers vào venv của ComfyUI, venv này không có OpenCV. Sửa bằng pip install opencv-python-headless (bản không kèm giao diện, hợp với máy server), mất 4 giây. Lần đầu mình mất trắng kết quả của cả hai lượt chạy vì lỗi nằm ở dòng lưu video. Bài học là ghi số đo ra file trước dòng lưu video.

2. no kernel image is available trên Tesla P40#

Máy P40 cài PyTorch 2.14.1 bản CUDA 13.0 giống máy RTX 3090. ComfyUI vẫn khởi động, nhưng chạy workflow SVD thì hỏng sau 1 giây:

CUDA error: no kernel image is available for execution on the device

Log khởi động đã cảnh báo từ trước: Tesla P40 with CUDA capability sm_61 is not compatible with the current PyTorch installation. Bản CUDA 13.0 không còn kernel cho card đời Pascal. Mình cài lại PyTorch bản CUDA 12.6, mất 129 giây, rồi chạy lại được:

venv/bin/pip install --force-reinstall torch==2.14.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

3. Không tìm thấy workflow SVD trong ComfyUI#

Như đã kể ở phần chạy SVD trong ComfyUI, bản 0.42.1 có 612 mẫu nhưng không mẫu nào cho SVD. Lấy workflow_image_to_video.json ở trang ComfyUI Examples, rồi nhớ đổi tên file model nếu bạn tải bản XT, vì mẫu đang trỏ tới svd.safetensors. Không đổi thì ComfyUI báo thiếu model ngay khi bấm Run.

4. Ảnh bị cắt mất mép#

Ảnh 4:3 hay 1:1 đưa vào node 1024×576 sẽ bị cắt giữa mà không có cảnh báo. Cắt ảnh về đúng tỉ lệ trước, hoặc đổi width, height sang 576×1024 cho ảnh dọc. Mình chạy ảnh dọc ở 576×1024, thời gian gần như không đổi (74,1 giây).

Khi nào không nên dùng Stable Video Diffusion?#

• Bạn cần điều khiển nội dung clip bằng chữ: máy quay đi đâu, nhân vật làm gì. SVD không nhận prompt.

• Bạn cần clip dài hơn vài giây liền mạch. SVD-XT chỉ có 25 khung.

• Ảnh có người thật, chữ, logo cần giữ nguyên nét. Model card ghi rõ SVD không vẽ được chữ đọc được và có thể vẽ sai mặt người.

• Bạn có card 24GB và chạy cho khách hàng thường xuyên. Wan 2.2 kèm LoRA 4 bước cho clip dài gấp đôi, có prompt và giấy phép Apache-2.0.

Câu hỏi thường gặp#

Stable Video Diffusion có miễn phí không?#

Tải và chạy thì miễn phí. Dùng thương mại miễn phí khi doanh thu năm dưới 1 triệu USD, nhưng phải đăng ký với Stability AI. Tiền máy là phần bạn trả: trên RTX 3090 thuê 15.000đ/giờ, một clip SVD-XT khoảng 310đ.

Card 12GB có chạy được SVD không?#

Mình chưa chạy trên card 12GB. Đo bằng diffusers trên RTX 3090, SVD-XT ở 1024×576 cần 10,83GiB VRAM cấp phát khi bật offload và decode_chunk_size=2, nên card 12GB có khả năng chạy được, dù khá sát giới hạn. Muốn nhẹ hơn nữa thì giảm độ phân giải hoặc số khung.

SVD có nhận prompt tiếng Việt không?#

Không nhận prompt nào cả, tiếng Việt hay tiếng Anh. Đầu vào duy nhất là ảnh và các tham số như số khung, mức chuyển động, fps.

Clip SVD dài bao nhiêu giây?#

SVD-XT tạo 25 khung, SVD tạo 14 khung. Độ dài clip tùy fps bạn xuất ra: mình xuất 10 fps nên được 2,5 giây và 1,4 giây. Model card ghi clip không quá 4 giây.

Tải SVD-XT 1.1 có khác gì?#

Bản 1.1 cần đăng nhập Hugging Face và đồng ý điều khoản trước khi tải, file cho ComfyUI chỉ 4,78GB. Mình chưa đo bản này nên không so chất lượng được.

Đọc tiếp#

• AI Local: chạy LLM và AI tạo ảnh trên máy bạn: bài tổng quan của chuyên mục, nên mua card hay thuê.

• Wan 2.2: tạo video AI mã nguồn mở: model video mở mà mình chọn thay SVD khi có card 24GB.

• Wan 2.2 cần bao nhiêu VRAM: số đo VRAM và thời gian của từng cách chạy Wan.

• ComfyUI là gì: cài ComfyUI và đo 4 model tạo ảnh trên RTX 3090.

• Giá thuê GPU theo giờ: giá từng gói P40, RTX 3090, V100 và tiền cho từng việc.

Muốn thử SVD với ảnh của bạn mà chưa có card đủ VRAM, bạn có thể thuê GPU theo giờ trên AIDev Cloud, tải 9,56GB model, chạy vài clip rồi trả máy.

Đo ngày 23/10/2026 trên hai máy AIDev Cloud gói Standard (25 vCPU Xeon E5-2600 v4, 53GB RAM, Ubuntu 24.04.4): RTX 3090 24GB (driver 610.43.02) và Tesla P40 24GB (driver 580.173.02). ComfyUI 0.42.1, PyTorch 2.14.1 (cu130 trên RTX 3090, cu126 trên P40), diffusers 0.41.0. Số Wan 2.2 lấy từ lần đo ngày 17/10/2026 trên RTX 3090.