4K Video Upscaler
中文
  1. 首页
  2. 专题
  3. 画质与修复

专题 · 画质与修复

SeedVR2 要多大显存、跑多久?实测速度、画质和 ComfyUI 设置

最近更新:

SeedVR2 是字节跳动 Seed 团队开源的视频修复模型,有 3B 和 7B 两种大小,Apache 2.0 许可。它用一步扩散模型在新尺寸上把画面重新画一遍,皮肤、头发、砖墙这些糊掉的质感能补回来,原片里没有的细节它也会画出来。

它一般装在 ComfyUI 里用。在 16 GB 的 NVIDIA 显卡上,SeedVR2 3B 把一分钟 480p 视频放到 1080p 用了约 70 分钟,平均每帧 2.3 秒;同一机器的浏览器里,4K Video Upscaler 用快速档跑完同样一分钟只用了约 16 秒。要修一小段坏得厉害的片子,SeedVR2 值得等;长视频、手机,或者想让画面保持原样的,用浏览器放大更合适。

70 分钟一分钟 480p 视频用 SeedVR2 3B 放到 1080p(16 GB 显卡);同一机器上快速档约 16 秒
8 GB显存就能用 3B 出 1080p,把 VAE 分块调到 512 像素就行(16 GB 的卡限到 8 GB 测的)
Apache 2.0代码和两个模型都能免费用,放进收费的产品里也行

SeedVR2 是什么?

SeedVR2 用来修复和放大视频,是字节跳动 Seed 团队的研究成果,论文、代码和模型都公开了。

它是扩散模型,和 AI 画图是一类。传统的放大是把一帧里已有的像素放大;SeedVR2 参照原来的画面,在新尺寸上重新画一帧,所以能补出视频里本来没有的皮肤、头发和砖纹。它训练成了只走一步扩散就出结果。

3B 和 7B

两种大小,单位是十亿参数。3B 由 7B 蒸馏而来,不到 7B 的一半,最容易塞进家用显卡。3B 有 FP16、FP8、GGUF Q4 三种文件(6.8、3.4、2.0 GB),7B 有 FP16 和 FP8 混合两种(16.5、8.5 GB),另外都要一个 0.5 GB 的 VAE 文件。

Apache 2.0

代码和两个模型都是 Apache 2.0 许可,可以免费用、改,也可以做进收费的产品,保留许可证和声明就行。

字节官方脚本要 80 GB 的 H100

一块能处理 100 帧 720p,1080p 和 2K 要 4 块。家用显卡靠社区的 ComfyUI 节点来跑,它把活拆小了塞进显存(见下)。

SeedVR2 要多大显存?

从 480p 出 1080p、开 VAE 分块、每批 5 帧时,SeedVR2 3B(FP8)显存峰值 6.5 GB,7B(FP8)10.5 GB。把我们 16 GB 的卡限到 8 GB,VAE 分块调到 512 像素,3B 照样能跑;7B 开着 BlockSwap,限到 12 GB、8 GB 也都跑通了。

我们在搭载高端 NVIDIA 独显(RTX 30–50 系)的台式机上测,显卡有 16 GB 显存;再把同一显卡限到更少的显存,模拟 12 GB 和 8 GB 的卡。限的只是显存,所以每一行都是这张卡的速度。要多少显存,看三件事:

  • 模型:3B 还是 7B,文件压缩到什么程度。
  • 输出尺寸:4K 比 1080p 要多得多。
  • 每批帧数:一次一起修几帧,按 4n + 1 算(1、5、9、13……);超过 5 帧,显存猛涨。

SeedVR2 分三步:VAE 先把每帧编码成紧凑的形式,DiT(真正做修复的部分)在上面修,VAE 再把结果解码成新尺寸的画面。社区节点有两个开关能把显存压下来。VAE 分块(tiling)把每帧切成小块来编码、解码;BlockSwap 把 DiT 的一部分放在内存里,用到哪块再搬上显卡。

模型占显存内存每帧
16 GB 显存
3B,FP86.5 GB6.6 GB2.3 秒
3B,FP169.2 GB8.8 GB2.4 秒
7B,FP810.5 GB10.1 GB2.9 秒
7B,FP16开 BlockSwap5.1 GB30.4 GB5.1 秒
限到 12 GB
3B,FP86.3 GB6.6 GB2.3 秒
3B,FP169.2 GB8.9 GB2.4 秒
7B,FP8开 BlockSwap5.2 GB17.9 GB3.7 秒
限到 8 GB
3B,FP86.1 GB6.6 GB2.2 秒
3B,FP8开 BlockSwap3.1 GB8.5 GB2.4 秒
3B,GGUF Q4开 BlockSwap4.2 GB6.8 GB2.5 秒
7B,FP8开 BlockSwap3.0 GB17.8 GB3.7 秒
480p → 1080p,每批 5 帧,每一行都开 VAE 分块,编码用节点默认的 1024 像素分块,解码用 768 像素(解码也用默认的 1024 时,3B FP8 峰值 9.4 GB);8 GB 的几行编码、解码都用 512 像素。12 GB、8 GB 是用 PyTorch 的显存上限把 16 GB 的卡限到 11 和 7 GB,给驱动和桌面留出余量;它们用的是 16 GB 那张卡的芯片,用时是它的速度,不是真 12 GB、8 GB 卡的。「占显存」是 PyTorch 自己的峰值,按显卡的算法 1 GB = 1024 MB。「每帧」是一段短片一次跑完,编码、修复、解码和调色合计的平均,载入模型另要 8 到 23 秒;整段一分钟的用时在下一节。

限到 8 GB 时,节点推荐给小显存的 GGUF 文件开着 BlockSwap 也能跑,但比 FP8 慢:每帧 2.5 秒,FP8 只要 2.2 秒。真的 8 GB 卡还要分一些给桌面;开 BlockSwap 后,3B(FP8)只占 3.1 GB,每帧 2.4 秒。

SeedVR2 显存不足、突然变慢?打开 VAE 分块

不开分块,16 GB 的卡解码 5 帧 1080p 要 21.9 GB。Windows 不会报错停下,而是把装不下的部分挪到内存里接着跑,每批 5 帧的解码就从 6 秒变成了 63 秒。跑着跑着突然慢得像卡住了,多半就是溢出了,这时打开分块、把分块调小,或者减少每批的帧数。限到 8 GB 时,默认 1024 像素的编码分块超出了上限,调到 512 像素就放得下。

每批多放几帧,速度快不了多少,显存却多占很多。每批 5、9、17 帧时,每帧分别是 2.27、2.17、2.14 秒,占显存 6.5、11.3、10.8 GB。节点的 README 说,每批和镜头一样长时前后帧最一致;在我们的片子上,每批 9 帧闪得最少,前后帧的亮度变化比原片多 0.1 级(亮度按 0–255 算);17 帧闪得最多,多 0.5 级。

长视频要设分段(chunk size)

不设分段的话,脚本会把整段视频都放在内存里,每帧 1080p 多占约 34 MB,一分钟 30 fps 就是 61 GB。设成每段 25 帧,它就一段一段地读:3B 把一分钟的 1800 帧从头跑到尾,内存最多只用了 6.6 GB。

SeedVR2 要跑多久?

SeedVR2 处理每一帧分三步:先把画面压缩成模型能处理的形式(VAE 编码),再由 3B 或 7B 模型修复、放大(DiT),最后还原成画面(VAE 解码)。在 16 GB 的卡上把一分钟 480p 视频放到 1080p,3B 平均每帧压缩 0.52 秒、修复 0.57 秒、还原 1.10 秒;1800 帧再加上调色、载入模型和读写视频,一共用了约 70 分钟。7B 只有中间修复这一步更慢,每帧 1.33 秒,所以总共只慢 36%。分段跑时,每段做完都要把模型挪出显卡、下一段再装回来,这也算在修复这一步里;7B 的模型大,挪得久,所以它的每帧比上面显存表里短片一次跑完的慢一些。

同一机器平均每帧跑完一分钟视频
SeedVR2 7B(FP8)3.1 秒约 90 分钟
SeedVR2 3B(FP8)2.3 秒约 70 分钟
极致70 毫秒约 2 分钟
专业38 毫秒约 69 秒
快速9 毫秒约 16 秒
一分钟 480p 视频(30 fps,1800 帧)放到 1080p,同一机器上从开始到视频文件写完的实际用时,平均每帧是它除以 1800。SeedVR2 跑的是下文那条命令,含载入模型;快速、专业、极致是在同一机器的 Chrome 里用网页放大,照网页的默认节奏留出一点空隙,让电脑不卡。条越长越慢。

同样一分钟的视频,SeedVR2 3B 的用时是 4K Video Upscaler 快速档的 260 倍、极致档的 32 倍。放到 4K 还要慢得多:从 720p 出发,3B 每帧要 9 秒,差不多是出 1080p 的 4 倍。这 9 秒是开着 BlockSwap、分段设为 5 帧测的;不开 BlockSwap,修 4K 的帧会把 16 GB 显存占满,每帧反而要 20 秒;不分段的话,每一批都比上一批慢,平均每帧 38 秒。

SeedVR2 效果怎么样?人脸、录像带、AI 片和文字实测

我们拿同一批片子比了普通放大、本站三档和 SeedVR2。其中仿 DVD 的人脸和仿录像带的街景是用高清电影做的,还有一段从 4K 素材压成的低码率 480p 片子、两段 AI 片和一段代码的录屏。除了 AI 片,都有原片可以对照。

仿 DVD 副本里的一张脸,普通放大:整体发糊
普通放大
同一张脸用专业档:眼睛清楚,皮肤被磨平
专业
同一张脸用 SeedVR2 3B:睫毛、眉毛和皮肤纹理都出来了,比高清原片还锐
SeedVR2 3B
同一张脸在电影高清画面里的样子,焦点偏柔
高清原片
仿 DVD 的人脸。SeedVR2 画出了睫毛、眉毛和皮肤纹理,比高清原片本身还锐。专业档比普通放大清楚,皮肤被磨平了。
仿录像带副本里的一段栏杆,普通放大:发糊、有雪花
普通放大
同一段栏杆用专业档:线条干净,墙面平滑
专业
同一段栏杆用 SeedVR2 3B:栏杆的形状和墙面的质感回来了
SeedVR2 3B
同一段栏杆在电影高清画面里的样子
高清原片
仿录像带的栏杆。SeedVR2 还原了栏杆的形状和墙面的质感;专业档线条干净,墙面被抹平。
720p 的 AI 动漫片里一个女孩的脸,普通放大
普通放大
同一张脸用快速档:线条干净、更清楚
快速
同一张脸用专业档:线条干净、利落
专业
同一张脸用 SeedVR2 3B:多了一道下巴线,眼睛周围多了草稿似的笔触
SeedVR2 3B
720p 的 AI 动漫片,没有更大的原片。快速、专业两档保住了干净的线稿;SeedVR2 多画了一道下巴线,眼睛周围多了草稿似的笔触。作者自己也写明,720p 的 AI 片这种退化很轻的视频,它容易画过头。
360p 录屏里的代码用快速档:每个字符都和原来一样
快速
同一段代码用 SeedVR2 3B:字母和数字被改了,49 变成了 40,注释里的单词也拼错了
SeedVR2 3B
同一段代码用 SeedVR2 7B:字母和数字被改了,7.0 变成了 2.0,注释里的单词也拼错了
SeedVR2 7B
同一段代码在原始录屏里的样子
原片
360p 录屏里的代码和注释,字号 8.5 像素。快速、专业、极致三档,20 行一个字没变;SeedVR2 不管 3B 还是 7B,每一行都改了字,3B 把 49 写成了 40,7B 把 7.0 写成了 2.0,注释里的英文单词也拼错了。

画面:《Tears of Steel》(2012,Blender Foundation),CC BY 3.0;仿 DVD、仿录像带的副本、两段 AI 片和代码录屏由我们制作。

拿原片来比,人脸和低码率片子上 SeedVR2 最像原片,街景上和普通放大打平。我们用的是 LPIPS,它学的是人眼怎么判断两张图像像不像,分数越低越像。

像不像(越低越像)仿 DVD 的人脸仿录像带的街景低码率的 480p 片子
普通放大0.220.170.28
快速0.240.180.27
专业0.180.180.25
极致0.260.240.26
SeedVR2 3B0.140.170.20
SeedVR2 7B0.14–0.21
每段每隔 6 帧取一帧,和原片算 LPIPS,所有结果都在原片尺寸上比;SeedVR2 每批 5 帧。每列最低的加粗。

逐个像素比,结果正好反过来。PSNR 看每个像素和原片有多接近,越高越近。三段片子里 SeedVR2 都低于普通放大、快速档和专业档,低码率片子上是 30.2 dB,快速档 32.4 dB。它画出来的细节看着对,但不是原片里的那些。

SeedVR2 一次修 5 帧,批次之间的接缝看得出来。低码率片子上,每到接缝亮度就跳一下,从上一批的最后一帧到下一批的第一帧,变化比原片多 1.1 级;同一批里面不比原片多(−0.1)。AI 动漫片上,它画的线在同一批里也一帧一个样(2.1,快速档是 0.1)。本站三档每帧单独放大,没有接缝。仿录像带的街景上雪花每帧都在变,所有结果都比普通放大闪。普通放大是 1.7 级,快速 3.2、专业 3.1、极致 5.1、SeedVR2 4.1。

SeedVR2 能补回皮肤、头发和砖墙

仿 DVD 的人脸上,SeedVR2 是我们跑过的所有方法里最接近高清原片的;仿录像带的街景上,和普通放大打平。

SeedVR2 会画出原片没有的细节

睫毛和眉毛比高清原片还锐,干净的线稿会多出线条。7B 用时多 36%;按 LPIPS,人脸上它比 3B 离原片近一点,低码率片子上远一点。

SeedVR2 会改掉小字和数字

代码录屏里,不管哪个模型,每一行都改了数字或字母;快速、专业、极致三档一个都没改。720p AI 片里烧进画面的大字幕,两个模型都没改。

怎么跑 SeedVR2?

在 ComfyUI 里装 SeedVR2

  1. 在 ComfyUI 的 Manager 里打开「Custom Nodes Manager」,搜「ComfyUI-SeedVR2_VideoUpscaler」并安装。
  2. 重启 ComfyUI。
  3. 把节点 example_workflows 文件夹里的示例工作流 SeedVR2_HD_video_upscale.json 拖进 ComfyUI。它已经连好了:「Load Video」→「Get Video Components」→「SeedVR2 Video Upscaler」→「Create Video」→「Save Video」,「SeedVR2 (Down)Load DiT Model」和「SeedVR2 (Down)Load VAE Model」接在放大节点的 dit、vae 输入上。
  4. 显存 12 GB 以上:DiT 加载节点选 3B 的 FP8 模型,VAE 加载节点打开 encode_tiled 和 decode_tiled,「SeedVR2 Video Upscaler」的 batch_size 设为 5。8 GB 的再把 encode_tile_size 和 decode_tile_size 调到 512。
  5. 出 4K:两个分块也调到 512,再在 DiT 加载节点开 BlockSwap,把 offload_device 选成 cpu,blocks_to_swap 设为 32(7B 设 36)。
  6. 运行。第一次用时模型会自己下载到 models/SEEDVR2。

ComfyUI 自己也内置了 SeedVR2 节点。

Hugging Face 下载太慢或打不开怎么办

节点默认从 Hugging Face 下载。下载太慢或连不上时,可以换到 ModelScope(魔搭):上面有同名的 numz/SeedVR2_comfyUI 仓库,我们从那里下的文件和 Hugging Face 上的逐字节一致;下好放进 ComfyUI 的 models/SEEDVR2 文件夹就行。

用命令行跑 SeedVR2

节点带一个脚本 inference_cli.py,不开 ComfyUI 的界面也能跑,我们就是用它测的。下面是 16 GB 显存的设置;8 GB 和出 4K 时加上 --vae_encode_tile_size 512 --vae_decode_tile_size 512,出 4K 再加 BlockSwap(--dit_offload_device cpu --blocks_to_swap 32 --swap_io_components),分段设为 5 帧。分段让脚本边读边处理,不用把整段视频都放进内存:

python inference_cli.py clip.mp4 --resolution 1080 --dit_model seedvr2_ema_3b_fp8_e4m3fn.safetensors --batch_size 5 --vae_encode_tiled --vae_decode_tiled --vae_decode_tile_size 768 --vae_decode_tile_overlap 96 --chunk_size 25

在线试 SeedVR2

字节 Seed 在 Hugging Face 上有演示,视频最大 720p、最长 121 帧。也有网站把它做成付费服务。

用 SeedVR2 还是浏览器放大?

一小段要修的片子用 SeedVR2

录像带雪花、压缩方块、糊掉的人脸,几秒到几分钟长,显存 8 GB 以上,而且等得起。在我们 16 GB 的卡上,出 1080p,一分钟的视频用了约 70 分钟。作者也写明,退化很重、运动很大时它会失手。

长视频用浏览器放大

一整部电影、一小时的家庭录像,在笔记本、Mac、手机或 iPad 上都能放大,免费、不用注册、不用装东西,也不上传。

人脸、线稿和文字要保持原样,用快速档

SeedVR2 会重新画,可能画得不一样;快速档只放大原有的东西。

直接试

点下面的链接,首页会带着这些设置打开,再点「选择视频」。

更新记录

  • 2026 年 10 月 27 日:第一版。