Vergleich der Videogenerierung

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

KI-Videogenerierung Die KI-Videogenerierung hat 2024–2025 explosionsartig zugenommen. 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	24 GB	16 GB	16 GB	24 GB	8 GB
Maximale Auflösung	1280×720	1280×720	1440×960	848×480	1216×704
Maximale Länge	5 s	5 s	6 s	5,4 s	2 Min.
Lizenz	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
GitHub-Stars	10K+	7K+	6K+	4K+	5K+

---

Überblick

Hunyuan Video

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

Wichtige Spezifikationen: 13B Parameter, 5 s bei 720p, benötigt 24 GB+ 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.

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

CogVideoX

CogVideoX von Zhipu AI konzentriert sich auf präzises Befolgen von Textanweisungen und kohärente Langform-Videos. Es ist besonders stark für cinematische Inhalte und erzählgetriebene Generierung.

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

Mochi 1

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

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

LTX-Video

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

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

---

Qualitätsvergleich

EvalCrafter-Benchmark (2025)

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

Modell	VBench-Wert	Bewegungsqualität	Texttreue	Ästhetik
Hunyuan Video	83.2	Hervorragend	Hervorragend	Hervorragend
Wan2.1 (14B)	82.8	Hervorragend	Hervorragend	Hervorragend
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	Am besten bei	Schwächen
Hunyuan Video	Gesamtqualität, Kameraführung	Sehr langsam, VRAM-hungrig
Wan2.1	Balance aus Qualität und Effizienz, I2V	Gelegentlich übersättigt
CogVideoX	Langform-Erzählungen, Textgenauigkeit	Weniger dynamische Bewegung
Mochi 1	Flüssige Bewegung, Physik	Niedrigere Auflösungsgrenze
LTX-Video	Geschwindigkeit, lange Videos	Qualitätsabstand zu anderen

---

Geschwindigkeits-Benchmarks

Generierungszeit (A100 80 GB, einzelne GPU)

Modell	480p 5 s	720p 5 s	1080p 5 s
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 ungefähre Angaben 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	~45 s (720p)	4×

---

VRAM-Anforderungen

Minimaler VRAM nach Modell und Auflösung

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

Techniken zur Speicheroptimierung

Quantisierung

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

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

CPU-Offloading

# Wan2.1 mit CPU-Offloading 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: Detaillierter Einblick

Architektur

• 13B DiT (Diffusion Transformer)-Parameter

• Volle Aufmerksamkeit über alle räumlichen und zeitlichen Tokens

• Trainiert auf über 1 Mrd. Videoclips

Bereitstellung auf Clore.ai

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

# Gewichte herunterladen (~87 GB)
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

Über 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: Cinematische Videogenerierung in höchster Qualität, ohne VRAM-Einschränkungen

---

Wan2.1: Detaillierter Einblick

Architektur

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

• Bild-zu-Video (I2V)-Modell ebenfalls verfügbar

• Starke mehrsprachige Prompts (Chinesisch + Englisch)

Bereitstellung auf Clore.ai

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

# 1,3B-Modell — passt in 8–16 GB 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="geringe 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)

Bild-zu-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 schreitet selbstbewusst vorwärts",
    num_frames=81,
).frames[0]

Am besten für: Gleichgewicht aus Qualität und Effizienz, I2V, mehrsprachig

---

CogVideoX: Detaillierter Einblick

Architektur

• Experten-Transformer mit 3D-Vollaufmerksamkeit

• 5B und 10B Parametervarianten

• 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, narrative Inhalte, Langform-Generierung

---

Mochi 1: Detaillierter Einblick

Architektur

• AsymmDiT — asymmetrischer Diffusion-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 springt bei Sonnenuntergang durch die Meereswellen'},
)
"

Am besten für: Flüssige Bewegung, realistische Physik, Forschungsanwendungen

---

LTX-Video: Detaillierter Einblick

Architektur

• 2B-Parameter DiT — kleiner, schneller

• Nativ lange Videos Unterstützung (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 landet auf einer Blume in einem Sommergarten",
    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 (8 GB)

---

Funktionsvergleich

Überblick über die Funktionen

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

---

GPU-Empfehlungen für Clore.ai

Für jedes Modell

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

Kostenschätzung pro Video

Hunyuan Video (720p, 5 s) auf A100 80 GB ([Bare Metal](https://clore.ai/bare-metal)):
  Zeit: ~45 Min. → Kosten: ~$1,12 pro Video

Wan2.1-1.3B (480p, 5 s) auf RTX 3090 (0,07–0,21 $/Std.):
  Zeit: ~3 Min. → Kosten: ~$0,025 pro Video

LTX-Video (720p, 5 s) auf RTX 4090 (0,14–0,42 $/Std.):
  Zeit: ~3 Min. → Kosten: ~$0,030 pro Video

---

Wann welches Modell verwenden

Entscheidungsleitfaden

Maximale Qualität (keine Kostenbegrenzung)?
  → Hunyuan Video auf A100

Bestes Verhältnis von Qualität zu Kosten?
  → Wan2.1 14B auf A6000

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

Schnelle Generierung nötig?
  → LTX-Video

Bild-zu-Video nötig?
  → Wan2.1 I2V oder CogVideoX

Lange Videos nötig (>10 s)?
  → LTX-Video

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

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

---

Nützliche Links

• Hunyuan Video auf GitHub

• Wan2.1 auf HuggingFace

• CogVideoX auf GitHub

• Mochi 1 auf GitHub

• LTX-Video auf GitHub

• Rangliste der Videogenerierung

---

Zusammenfassung

Modell	Verwenden, wenn
Hunyuan Video	Beste Qualität ist am wichtigsten, A100+ verfügbar
Wan2.1	Beste Balance aus Qualität und Effizienz
CogVideoX	Präzise Text-zu-Video, lange Erzählungen
Mochi 1	Flüssige Bewegung, Physik, offene Forschung
LTX-Video	Geschwindigkeit, niedriger VRAM, lange Videos

Das Open-Source-Ökosystem der 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.