Comparación de generación de video

Compare los principales modelos de generación de video de código abierto para su implementación en servidores GPU de Clore.ai.

Generación de video por IA ha explotado en 2024-2025. Esta guía compara los mejores modelos de código abierto: Hunyuan Video, Wan2.1, CogVideoX, Mochi 1 y LTX-Video, cubriendo calidad, velocidad, requisitos de VRAM y casos de uso.

---

Matriz de decisión rápida

	Hunyuan Video	Wan2.1	CogVideoX	Mochi 1	LTX-Video
Desarrollador	Tencent	Alibaba	Zhipu AI	Genmo	LightRicks
Calidad	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Velocidad	Lento	Medio	Medio	Medio	Rápido
VRAM mínima	24GB	16GB	16GB	24GB	8GB
Resolución máxima	1280×720	1280×720	1440×960	848×480	1216×704
Duración máxima	5s	5s	6s	5.4s	2min
Licencia	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
Estrellas en GitHub	10K+	7K+	6K+	4K+	5K+

---

Resumen

Hunyuan Video

Hunyuan Video de Tencent es ampliamente considerado el mejor modelo de generación de video de código abierto a principios de 2025. Usa una arquitectura basada en transformadores con calidad de movimiento excepcional.

Especificaciones clave: 13B de parámetros, 5s a 720p, requiere 24GB+ de VRAM

Wan2.1

Wan (Wenying) 2.1 de Alibaba es un fuerte competidor de Hunyuan, ofreciendo calidad similar con requisitos mínimos de VRAM más bajos. Disponible en variantes de 1.3B y 14B de parámetros.

Especificaciones clave: 1.3B (lite) o 14B, 5s a 720p, 16GB+ de VRAM para 1.3B

CogVideoX

CogVideoX de Zhipu AI se centra en seguir el texto con precisión y en video coherente de larga duración. Es particularmente fuerte para contenido cinematográfico y generación orientada a historias.

Especificaciones clave: 5B/10B de parámetros, 6s a 1440×960, 16GB+ de VRAM

Mochi 1

Mochi 1 de Genmo es conocido por su movimiento suave y fluido y física realista. Utiliza una novedosa arquitectura AsymmDiT. Disponible totalmente de código abierto (pesos + código de entrenamiento).

Especificaciones clave: 10B de parámetros, 5.4s a 848×480, 24GB de VRAM

LTX-Video

LTX-Video de LightRick prioriza la velocidad de inferencia por encima de todo. Puede generar video en tiempo real o casi en tiempo real en GPUs modernas — ideal para aplicaciones interactivas.

Especificaciones clave: 2B de parámetros, hasta 2 minutos de video, 8GB de VRAM

---

Comparación de calidad

Benchmark EvalCrafter (2025)

La calidad es subjetiva. Estas puntuaciones reflejan el consenso de la comunidad a partir de los benchmarks VBench y EvalCrafter.

Modelo	Puntuación VBench	Calidad de movimiento	Alineación con el texto	Estética
Hunyuan Video	83.2	Excelente	Excelente	Excelente
Wan2.1 (14B)	82.8	Excelente	Excelente	Excelente
CogVideoX-5B	79.6	Bueno	Muy bueno	Bueno
Mochi 1	77.4	Muy bueno	Bueno	Bueno
LTX-Video	71.2	Bueno	Bueno	Aceptable

Fortalezas cualitativas

Modelo	Mejor en	Debilidades
Hunyuan Video	Calidad general, cinematografía	Muy lento, exigente de VRAM
Wan2.1	Equilibrio de calidad/eficiencia, I2V	Ocasionalmente sobresaturado
CogVideoX	Narrativa de larga duración, precisión de texto	Movimiento menos dinámico
Mochi 1	Movimiento fluido, física	Límite de resolución inferior
LTX-Video	Velocidad, videos largos	Brecha de calidad respecto a otros

---

Benchmarks de velocidad

Tiempo de generación (A100 80GB, GPU única)

Modelo	480p 5s	720p 5s	1080p 5s
Hunyuan Video	45 min	~3 horas	❌ 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 seg	3 min	8 min

Los tiempos son aproximados y varían con los pasos del muestreador (20-50), la escala de guía y el hardware. Use menos pasos para vistas previas.

Con optimización (TeaCache / FORA / Step Distillation)

La inferencia optimizada puede reducir significativamente el tiempo de generación:

Modelo	Con caché	Aceleración
Hunyuan Video	~15 min (720p)	4×
Wan2.1	~12 min (720p)	~4×
CogVideoX	~8 min (720p)	~3×
LTX-Video	~45s (720p)	4×

---

Requisitos de VRAM

VRAM mínima por modelo y resolución

Modelo	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

Técnicas de optimización de memoria

Cuantización

# CogVideoX con cuantización a 8 bits (reduce a la mitad la VRAM)
from diffusers import CogVideoXPipeline
import torch

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

Descarga a CPU (CPU Offloading)

# Wan2.1 con descarga a CPU para menor 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: Análisis profundo

Arquitectura

• 13B DiT (Diffusion Transformer) parámetros

• Atención completa sobre todos los tokens espaciales y temporales

• Entrenado en más de 1B de clips de video

Despliegue en Clore.ai

# Clonar e instalar
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

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

# Generar
python sample_video.py \
  --video-size 720 1280 \
  --video-length 129 \
  --infer-steps 50 \
  --prompt "Un majestuoso águila planeando sobre montañas cubiertas de nieve" \
  --flow-shift 7.0 \
  --embedded-cfg-scale 6.0 \
  --save-path ./outputs

Vía ComfyUI

# Instalar nodos HunyuanVideo para ComfyUI
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt

Mejor para: Generación de video cinematográfico de la más alta calidad, sin restricciones de VRAM

---

Wan2.1: Análisis profundo

Arquitectura

• Dos variantes: Wan2.1-T2V-1.3B y Wan2.1-T2V-14B

• Imagen a video (I2V) modelo también disponible

• Fuertes indicaciones multilingües (chino + inglés)

Despliegue en Clore.ai

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

# Modelo 1.3B — cabe en 8-16GB de VRAM
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

output = pipe(
    prompt="Un sereno jardín japonés con flores de cerezo cayendo",
    negative_prompt="baja calidad, borroso",
    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)

Imagen a video con 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="La persona camina hacia adelante con confianza",
    num_frames=81,
).frames[0]

Mejor para: Equilibrio de calidad y eficiencia, I2V, multilingüe

---

CogVideoX: Análisis profundo

Arquitectura

• Transformador experto con atención 3D completa

• 5B y 10B variantes de parámetros

• Codificador de imagen CogView3 para calidad visual

Despliegue en 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="Una cámara rápida de una ciudad de noche con estelas de luz de los coches",
    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)

Mejor para: Preciso texto a video, contenido narrativo, generación de larga duración

---

Mochi 1: Análisis profundo

Arquitectura

• AsymmDiT — transformador de difusión asimétrico

• Enfoque en consistencia temporal y movimiento fluido

• Totalmente de código abierto incluyendo el código de entrenamiento

Despliegue en 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': 'Un delfín saltando entre las olas del océano al atardecer'},
)
"

Mejor para: Movimiento fluido, física realista, casos de uso de investigación

---

LTX-Video: Análisis profundo

Arquitectura

• 2B de parámetros DiT — más pequeño, más rápido

• Soporte nativo de video largo (hasta 2 minutos)

• Diseñado para generación en tiempo real o casi en tiempo real

Despliegue en 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="Una mariposa posándose en una flor en un jardín de verano",
    negative_prompt="peor calidad, movimiento inconsistente, borroso",
    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)

Mejor para: Generación rápida, aplicaciones interactivas, videos largos, VRAM limitada (8GB)

---

Comparación de características

Resumen de capacidades

Característica	Hunyuan	Wan2.1	CogVideoX	Mochi	LTX
Texto a video	✅	✅	✅	✅	✅
Imagen a video	✅	✅	✅	❌	✅
Video a video	❌	❌	✅	❌	✅
ControlNet	Parcial	❌	✅	❌	❌
Soporte LoRA	✅	✅	✅	❌	✅
Nodos ComfyUI	✅	✅	✅	✅	✅
Video largo (>10s)	❌	❌	Parcial	❌	✅
Indicaciones en chino	✅	✅	✅	❌	❌

---

Recomendaciones de GPU en Clore.ai

Para cada modelo

Modelo	GPU mínima	Recomendado	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

Estimación de costo por video

Hunyuan Video (720p, 5s) en A100 80GB (~$1.50/hr):
  Tiempo: ~45 min → Costo: ~$1.12 por video

Wan2.1-1.3B (480p, 5s) en RTX 3090 (~$0.50/hr):
  Tiempo: ~3 min → Costo: ~$0.025 por video

LTX-Video (720p, 5s) en RTX 4090 (~$0.60/hr):
  Tiempo: ~3 min → Costo: ~$0.030 por video

---

Cuándo usar cada uno

Guía de decisión

¿Calidad máxima (sin límite de costo)?
  → Hunyuan Video en A100

¿Mejor equilibrio calidad/costo?
  → Wan2.1 14B en A6000

¿VRAM limitada (8-12GB)?
  → LTX-Video o Wan2.1 1.3B

¿Necesita generación rápida?
  → LTX-Video

¿Necesita Imagen a video?
  → Wan2.1 I2V o CogVideoX

¿Necesita videos largos (>10s)?
  → LTX-Video

¿Investigación/ajuste fino?
  → Mochi 1 (código de entrenamiento abierto) o CogVideoX

¿Flujo de trabajo ComfyUI?
  → Todos son compatibles, nodos Hunyuan/Wan recomendados

---

Enlaces útiles

• Hunyuan Video en GitHub

• Wan2.1 en HuggingFace

• CogVideoX en GitHub

• Mochi 1 en GitHub

• LTX-Video en GitHub

• Tabla de clasificación de generación de video

---

Resumen

Modelo	Usar cuando
Hunyuan Video	La mejor calidad importa más, A100+ disponible
Wan2.1	Mejor equilibrio entre calidad y eficiencia
CogVideoX	Texto a video preciso, narrativa larga
Mochi 1	Movimiento fluido, física, investigación abierta
LTX-Video	Velocidad, baja VRAM, videos largos

El ecosistema de generación de video de código abierto se mueve rápido. Para la mayoría de las implementaciones en Clore.ai, Wan2.1 (1.3B para presupuesto, 14B para calidad) ofrece la mejor combinación de calidad, velocidad y eficiencia de recursos.