Dependency explanation and description

README.md

@@ -151,8 +151,15 @@ of the **CogVideoX** open-source model.
   distribution using a LLM. By default, the script uses GLM4, but it can also be replaced with any other LLM such as
   GPT, Gemini, etc.
 + [gradio_web_demo](inference/gradio_web_demo.py): A simple gradio web UI demonstrating how to use the CogVideoX-2B
-  model to generate
-  videos.
+  model to generate videos. Same as Our Huggingface Space, you can use this script to launch a web demo.
+```shell
+cd inference
+# For Linux and Windows users (and macOS with Intel??)
+python gradio_web_demo.py # humans mode
+
+# For macOS with Apple Silicon users, Intel not supported, this maybe 20x slower than RTX 4090
+PYTORCH_ENABLE_MPS_FALLBACK=1 python gradio_web_demo.py # humans mode
+```
 
 <div style="text-align: center;">
     <img src="resources/gradio_demo.png" style="width: 100%; height: auto;" />

README_ja.md

@@ -130,8 +130,17 @@ CogVideoXは、[清影](https://chatglm.cn/video?fr=osm_cogvideox) と同源の
 + [diffusers_vae_demo](inference/cli_vae_demo.py): VAE推論コードの実行には現在71GBのメモリが必要ですが、将来的には最適化される予定です。
 + [convert_demo](inference/convert_demo.py):
   ユーザー入力をCogVideoXに適した形式に変換する方法。CogVideoXは長いキャプションでトレーニングされているため、入力テキストをLLMを使用してトレーニング分布と一致させる必要があります。デフォルトではGLM4を使用しますが、GPT、Geminiなどの他のLLMに置き換えることもできます。
-+ [gradio_web_demo](inference/gradio_web_demo.py): CogVideoX-2Bモデルを使用してビデオを生成する方法を示すシンプルなgradio
-  Web UI。
++ [gradio_web_demo](inference/gradio_web_demo.py): CogVideoX-2B モデルを使用して動画を生成する方法を示す、シンプルな
+  Gradio Web UI デモです。私たちの Huggingface Space と同様に、このスクリプトを使用して Web デモを起動することができます。
+
+```shell
+cd inference
+# For Linux and Windows users (and macOS with Intel??)
+python gradio_web_demo.py # humans mode
+
+# For macOS with Apple Silicon users, Intel not supported, this maybe 20x slower than RTX 4090
+PYTORCH_ENABLE_MPS_FALLBACK=1 python gradio_web_demo.py # humans mode
+```
 
 <div style="text-align: center;">
     <img src="resources/gradio_demo.png" style="width: 100%; height: auto;" />

README_zh.md

@@ -128,7 +128,15 @@ CogVideoX是 [清影](https://chatglm.cn/video?fr=osm_cogvideox) 同源的开源
 + [convert_demo](inference/convert_demo.py): 如何将用户的输入转换成适合
   CogVideoX的长输入。因为CogVideoX是在长文本上训练的，所以我们需要把输入文本的分布通过LLM转换为和训练一致的长文本。脚本中默认使用GLM4，也可以替换为GPT、Gemini等任意大语言模型。
 + [gradio_web_demo](inference/gradio_web_demo.py): 一个简单的gradio网页应用，展示如何使用 CogVideoX-2B 模型生成视频。
+与我们的 Huggingface Space 类似，你可以使用此脚本运行一个简单的网页应用，用于生成视频。
+```shell
+cd inference
+# For Linux and Windows users (and macOS with Intel??)
+python gradio_web_demo.py # humans mode
 
+# For macOS with Apple Silicon users, Intel not supported, this maybe 20x slower than RTX 4090
+PYTORCH_ENABLE_MPS_FALLBACK=1 python gradio_web_demo.py # humans mode
+```
 <div style="text-align: center;">
     <img src="resources/gradio_demo.png" style="width: 100%; height: auto;" />
 </div>

requirements.txt

@@ -1,13 +1,14 @@
 diffusers>=0.3.0
+transformers>=4.43.4
+accelerate>=0.33.0
+sentencepiece==0.2.0 # T5
 SwissArmyTransformer==0.4.11 # Inference
-torch==2.4.0
+torch==2.4.0 # Tested in 2.2 2.3 2.4 and 2.5
 torchvision==0.19.0
 gradio==4.40.0 # For HF gradio demo
-streamlit==1.37.0 # For web demo
-opencv-python==4.10
-imageio-ffmpeg==0.5.1
-openai==1.38.0
-transformers==4.43.4
-accelerate==0.33.0
-sentencepiece==0.2.0
-pillow==9.5.0
+pillow==9.5.0 # For HF gradio demo
+streamlit==1.37.0 # For streamlit web demo
+opencv-python==4.10 # For diffusers inference origin export video
+imageio==2.34.2 # For diffusers inference export video
+imageio-ffmpeg==0.5.1 # For diffusers inference export video
+openai==1.38.0 # For prompt refiner