ttt-video-dit

TTT-Video 是一个基于扩散Transformer的视频生成项目，支持长达63秒的高质量文本到视频生成。其核心创新是引入测试时训练（Test-Time Training, TTT）层，在保留CogVideoX-5B预训练模型局部注意力能力的基础上，建模跨片段的长程时序依赖；通过分阶段扩展（3s→9s→18s→30s→63s）实现上下文延伸与风格迁移。技术上融合TTT-MLP内核、双向全局序列建模及文本-视频嵌入交织机制，需H100 GPU与CUDA 12.3+环境。适用于需要长时序连贯性、风格可控的工业级视频生成场景，如广告素材生成、教育视频合成与创意内容原型开发。