Vergleich der Videogenerierung

Vergleichen Sie die führenden Open-Source-Modelle zur Videogenerierung für den Einsatz auf Clore.ai GPU-Servern.

KI-Videogenerierung ist 2024–2025 explodiert. Dieser Leitfaden vergleicht die besten Open-Source-Modelle — Hunyuan Video, Wan2.1, CogVideoX, Mochi 1 und LTX-Video — und behandelt Qualität, Geschwindigkeit, VRAM-Anforderungen und Anwendungsfälle.

---

Schnelle Entscheidungsübersicht

	Hunyuan Video	Wan2.1	CogVideoX	Mochi 1	LTX-Video
Entwickler	Tencent	Alibaba	Zhipu AI	Genmo	LightRicks
Qualität	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Geschwindigkeit	Langsam	Mittel	Mittel	Mittel	Schnell
Min. VRAM	24GB	16GB	16GB	24GB	8GB
Maximale Auflösung	1280×720	1280×720	1440×960	848×480	1216×704
Maximale Länge	5s	5s	6s	5,4s	2min
Lizenz	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
GitHub-Sterne	10K+	7K+	6K+	4K+	5K+

---

Übersicht

Hunyuan Video

Tencents Hunyuan Video gilt Anfang 2025 allgemein als das beste Open-Source-Modell zur Videogenerierung. Es verwendet eine transformerbasierte Architektur mit außergewöhnlicher Bewegungsqualität.

Wesentliche Spezifikationen: 13B Parameter, 5s bei 720p, erfordert 24GB+ VRAM

Wan2.1

Alibabas Wan (Wenying) 2.1 ist ein starker Konkurrent zu Hunyuan und bietet ähnliche Qualität bei geringeren Mindest-VRAM-Anforderungen. Verfügbar in Varianten mit 1,3B und 14B Parametern.

Wesentliche Spezifikationen: 1,3B (lite) oder 14B, 5s bei 720p, 16GB+ VRAM für 1,3B

CogVideoX

Zhipu AIs CogVideoX konzentriert sich auf präzise Textübereinstimmung und kohärente Langform-Videos. Es ist besonders stark für kinoreife Inhalte und erzählerische Generierung.

Wesentliche Spezifikationen: 5B/10B Parameter, 6s bei 1440×960, 16GB+ VRAM

Mochi 1

Genmos Mochi 1 ist für sanfte, flüssige Bewegungen und realistische Physik bekannt. Es verwendet eine neuartige AsymmDiT-Architektur. Vollständig Open-Source verfügbar (Gewichte + Trainingscode).

Wesentliche Spezifikationen: 10B Parameter, 5,4s bei 848×480, 24GB VRAM

LTX-Video

LightRicks LTX-Video priorisiert vor allem Inferenzgeschwindigkeit. Es kann in Echtzeit oder nahezu Echtzeit auf modernen GPUs Videos generieren — ideal für interaktive Anwendungen.

Wesentliche Spezifikationen: 2B Parameter, bis zu 2 Minuten Video, 8GB VRAM

---

Qualitätsvergleich

EvalCrafter Benchmark (2025)

Qualität ist subjektiv. Diese Bewertungen spiegeln den Community-Konsens aus VBench- und EvalCrafter-Benchmarks wider.

Modell	VBench-Score	Bewegungsqualität	Textausrichtung	Ästhetik
Hunyuan Video	83.2	Ausgezeichnet	Ausgezeichnet	Ausgezeichnet
Wan2.1 (14B)	82.8	Ausgezeichnet	Ausgezeichnet	Ausgezeichnet
CogVideoX-5B	79.6	Gut	Sehr gut	Gut
Mochi 1	77.4	Sehr gut	Gut	Gut
LTX-Video	71.2	Gut	Gut	Akzeptabel

Qualitative Stärken

Modell	Besonders geeignet für	Schwächen
Hunyuan Video	Gesamtqualität, Kinematographie	Sehr langsam, VRAM-hungrig
Wan2.1	Ausgewogenheit von Qualität/Effizienz, I2V	Gelegentlich übersättigt
CogVideoX	Langform-Erzählung, Textgenauigkeit	Weniger dynamische Bewegung
Mochi 1	Flüssige Bewegung, Physik	Niedrigere Auflösungsgrenze
LTX-Video	Geschwindigkeit, lange Videos	Qualitätslücke gegenüber anderen

---

Geschwindigkeitsbenchmarks

Generierungszeit (A100 80GB, Single GPU)

Modell	480p 5s	720p 5s	1080p 5s
Hunyuan Video	45 Min	~3 Stunden	❌ OOM
Wan2.1 (14B)	15 Min	45 Min	❌ OOM
Wan2.1 (1.3B)	3 Min	8 Min	❌ OOM
CogVideoX-5B	10 Min	25 Min	❌ OOM
Mochi 1	8 Min	❌ OOM	❌ OOM
LTX-Video	45 Sek	3 Min	8 Min

Zeiten sind ungefähr und variieren je nach Sampler-Schritten (20–50), Guidance-Scale und Hardware. Verwenden Sie für Vorschauen weniger Schritte.

Mit Optimierung (TeaCache / FORA / Step Distillation)

Optimierte Inferenz kann die Generierungszeit deutlich reduzieren:

Modell	Mit Cache	Beschleunigung
Hunyuan Video	~15 Min (720p)	4×
Wan2.1	~12 Min (720p)	~4×
CogVideoX	~8 Min (720p)	~3×
LTX-Video	~45s (720p)	4×

---

VRAM-Anforderungen

Mindest-VRAM nach Modell und Auflösung

Modell	480p	720p	1080p
Hunyuan Video	24GB	40GB+	❌
Wan2.1 (14B)	24GB	40GB+	❌
Wan2.1 (1.3B)	8GB	16GB	24GB
CogVideoX-5B	16GB	24GB	❌
CogVideoX-2B	8GB	16GB	❌
Mochi 1	24GB	❌	❌
LTX-Video	8GB	12GB	24GB

Speicheroptimierungstechniken

Quantisierung

# CogVideoX mit 8-Bit-Quantisierung (halbiert VRAM)
from diffusers import CogVideoXPipeline
import torch

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.float16
)
pipe.enable_model_cpu_offload()  # Reduziert VRAM weiter
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

CPU-Auslagerung

# Wan2.1 mit CPU-Auslagerung für geringeren VRAM
from diffusers import WanPipeline

pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()

---

Hunyuan Video: Tiefer Einblick

Architektur

• 13B DiT (Diffusion Transformer) Parameter

• Volle Attention über alle räumlichen und temporalen Token

• Trainiert an 1B+ Videoclips

Bereitstellung auf Clore.ai

# Klonen und installieren
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

# Gewichte herunterladen (~87GB)
huggingface-cli download tencent/HunyuanVideo --local-dir ./weights

# Generieren
python sample_video.py \
  --video-size 720 1280 \
  --video-length 129 \
  --infer-steps 50 \
  --prompt "Ein majestätischer Adler, der über schneebedeckte Berge gleitet" \
  --flow-shift 7.0 \
  --embedded-cfg-scale 6.0 \
  --save-path ./outputs

Via ComfyUI

# HunyuanVideo-Knoten für ComfyUI installieren
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt

Am besten für: Höchste Qualität bei kinoreifer Videogenerierung, keine VRAM-Einschränkungen

---

Wan2.1: Tiefer Einblick

Architektur

• Zwei Varianten: Wan2.1-T2V-1.3B und Wan2.1-T2V-14B

• Image-to-Video (I2V) Modell ebenfalls verfügbar

• Starke mehrsprachige (Chinesisch + Englisch) Prompt-Unterstützung

Bereitstellung auf Clore.ai

from diffusers import WanPipeline
from diffusers.utils import export_to_video
import torch

# 1.3B-Modell — passt in 8–16GB VRAM
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

output = pipe(
    prompt="Ein ruhiger japanischer Garten mit fallenden Kirschblüten",
    negative_prompt="niedrige Qualität, unscharf",
    height=480,
    width=832,
    num_frames=81,
    num_inference_steps=50,
    guidance_scale=5.0,
).frames[0]

export_to_video(output, "wan_video.mp4", fps=16)

Image-to-Video mit Wan2.1

from diffusers import WanImageToVideoPipeline
from PIL import Image

pipe = WanImageToVideoPipeline.from_pretrained(
    "Wan-AI/Wan2.1-I2V-14B-480P-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()

image = Image.open("input.jpg")
output = pipe(
    image=image,
    prompt="Die Person geht selbstbewusst nach vorne",
    num_frames=81,
).frames[0]

Am besten für: Ausgewogenheit von Qualität und Effizienz, I2V, mehrsprachig

---

CogVideoX: Tiefer Einblick

Architektur

• Experten-Transformer mit 3D-Vollattention

• 5B und 10B Parameter-Varianten

• CogView3 Bildencoder für visuelle Qualität

Bereitstellung auf Clore.ai

from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video
import torch

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

video = pipe(
    prompt="Eine Zeitrafferaufnahme einer Stadt bei Nacht mit Lichtspuren von Autos",
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

export_to_video(video, "cogvideo.mp4", fps=8)

Am besten für: Präzise Text-zu-Video, erzählerische Inhalte, Langform-Generierung

---

Mochi 1: Tiefer Einblick

Architektur

• AsymmDiT — asymmetrischer Diffusions-Transformer

• Fokus auf zeitliche Konsistenz und flüssige Bewegung

• Vollständig Open-Source einschließlich Trainingscode

Bereitstellung auf Clore.ai

pip install mochi-preview

python -c "
from mochi_preview.pipelines import DecoderModelFactory, DitModelFactory, MochiSingleGPUPipeline, T5ModelFactory
import tempfile
from pathlib import Path

pipeline = MochiSingleGPUPipeline(
    text_encoder_factory=T5ModelFactory(),
    dit_factory=DitModelFactory(model_path='./weights/mochi-dit.safetensors'),
    decoder_factory=DecoderModelFactory(model_path='./weights/mochi-vae.safetensors'),
    cpu_offload=True,
    decode_type='tiled_full',
)

video = pipeline(
    height=480, width=848,
    num_frames=163,
    num_inference_steps=64,
    sigma_schedule_type='linear_quadratic',
    cfg_schedule_type='linear',
    conditioning_args={'prompt': 'Ein Delfin, der bei Sonnenuntergang durch Meereswellen springt'},
)
"

Am besten für: Flüssige Bewegung, realistische Physik, Forschungsanwendungen

---

LTX-Video: Tiefer Einblick

Architektur

• 2B Parameter DiT — kleiner, schneller

• Native Unterstützung für lange Videos (bis zu 2 Minuten)

• Entwickelt für Echtzeit- oder nahezu Echtzeit-Generierung

Bereitstellung auf Clore.ai

from diffusers import LTXPipeline
from diffusers.utils import export_to_video
import torch

pipe = LTXPipeline.from_pretrained(
    "Lightricks/LTX-Video",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")

video = pipe(
    prompt="Ein Schmetterling, der auf einer Blume in einem Sommergarten landet",
    negative_prompt="schlechteste Qualität, inkonsistente Bewegung, unscharf",
    width=704,
    height=480,
    num_frames=161,
    decode_timestep=0.03,
    decode_noise_scale=0.025,
    num_inference_steps=50,
).frames[0]

export_to_video(video, "ltx_video.mp4", fps=24)

Am besten für: Schnelle Generierung, interaktive Anwendungen, lange Videos, begrenzter VRAM (8GB)

---

Funktionsvergleich

Fähigkeitenübersicht

Funktion	Hunyuan	Wan2.1	CogVideoX	Mochi	LTX
Text-zu-Video	✅	✅	✅	✅	✅
Image-to-Video	✅	✅	✅	❌	✅
Video-zu-Video	❌	❌	✅	❌	✅
ControlNet	Teilweise	❌	✅	❌	❌
LoRA-Unterstützung	✅	✅	✅	❌	✅
ComfyUI-Knoten	✅	✅	✅	✅	✅
Langes Video (>10s)	❌	❌	Teilweise	❌	✅
Chinesische Prompts	✅	✅	✅	❌	❌

---

Clore.ai GPU-Empfehlungen

Für jedes Modell

Modell	Minimale GPU	Empfohlen	Ideal
Hunyuan Video	RTX 3090 (24GB)	A6000 (48GB)	A100 (80GB)
Wan2.1 14B	RTX 3090 (24GB)	A6000 (48GB)	A100 (80GB)
Wan2.1 1.3B	RTX 3080 (10GB)	RTX 3090	RTX 4090
CogVideoX-5B	RTX 3090 (24GB)	A6000 (48GB)	A100
CogVideoX-2B	RTX 3080 (10GB)	RTX 3090	RTX 4090
Mochi 1	RTX 3090 (24GB)	A6000 (48GB)	A100
LTX-Video	RTX 3080 (10GB)	RTX 4080	RTX 4090

Kostenschätzung pro Video

Hunyuan Video (720p, 5s) auf A100 80GB (~$1.50/Stunde):
  Zeit: ~45 Min → Kosten: ~ $1,12 pro Video

Wan2.1-1.3B (480p, 5s) auf RTX 3090 (~$0.50/Stunde):
  Zeit: ~3 Min → Kosten: ~ $0,025 pro Video

LTX-Video (720p, 5s) auf RTX 4090 (~$0.60/Stunde):
  Zeit: ~3 Min → Kosten: ~ $0,030 pro Video

---

Wann welches verwenden

Entscheidungsleitfaden

Maximale Qualität (kein Kostenlimit)?
  → Hunyuan Video auf A100

Beste Qualität/Kosten-Balance?
  → Wan2.1 14B auf A6000

Begrenzter VRAM (8–12GB)?
  → LTX-Video oder Wan2.1 1.3B

Brauchen Sie schnelle Generierung?
  → LTX-Video

Brauchen Sie Image-to-Video?
  → Wan2.1 I2V oder CogVideoX

Brauchen Sie lange Videos (>10s)?
  → LTX-Video

Forschung/Feinabstimmung?
  → Mochi 1 (offener Trainingscode) oder CogVideoX

ComfyUI-Workflow?
  → Alle werden unterstützt, Hunyuan/Wan beste Knoten

---

Nützliche Links

• Hunyuan Video GitHub

• Wan2.1 auf HuggingFace

• CogVideoX GitHub

• Mochi 1 GitHub

• LTX-Video GitHub

• Video-Generierungs-Rangliste

---

Zusammenfassung

Modell	Verwenden wenn
Hunyuan Video	Die höchste Qualität am wichtigsten ist, A100+ verfügbar
Wan2.1	Bestes Gleichgewicht zwischen Qualität und Effizienz
CogVideoX	Präzises Text-zu-Video, lange Erzählungen
Mochi 1	Flüssige Bewegung, Physik, offene Forschung
LTX-Video	Geschwindigkeit, niedriger VRAM, lange Videos

Das Open-Source-Ökosystem zur Videogenerierung entwickelt sich schnell. Für die meisten Clore.ai-Bereitstellungen Wan2.1 (1.3B für Budget, 14B für Qualität) bietet die beste Kombination aus Qualität, Geschwindigkeit und Ressourceneffizienz.