Comparaison de génération vidéo

Comparez les principaux modèles open-source de génération vidéo pour le déploiement sur les serveurs GPU de Clore.ai.

Génération vidéo par IA a explosé en 2024-2025. Ce guide compare les meilleurs modèles open-source — Hunyuan Video, Wan2.1, CogVideoX, Mochi 1 et LTX-Video — en couvrant la qualité, la vitesse, les besoins en VRAM et les cas d'utilisation.

---

Matrice de décision rapide

	Hunyuan Video	Wan2.1	CogVideoX	Mochi 1	LTX-Video
Développeur	Tencent	Alibaba	Zhipu AI	Genmo	LightRicks
Qualité	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Vitesse	Lent	Moyen	Moyen	Moyen	Rapide
VRAM min.	24GB	16GB	16GB	24GB	8 Go
Résolution maximale	1280×720	1280×720	1440×960	848×480	1216×704
Durée maximale	5s	5s	6s	5,4s	2min
Licence	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
Étoiles GitHub	10K+	7K+	6K+	4K+	5K+

---

Aperçu

Hunyuan Video

Le Hunyuan Video de Tencent est largement considéré comme le meilleur modèle open-source de génération vidéo début 2025. Il utilise une architecture basée sur des transformers avec une qualité de mouvement exceptionnelle.

Spécifications clés: 13 milliards de paramètres, 5s en 720p, nécessite 24GB+ de VRAM

Wan2.1

Wan (Wenying) 2.1 d'Alibaba est un concurrent sérieux de Hunyuan, offrant une qualité similaire avec des exigences minimales de VRAM plus faibles. Disponible en variantes 1,3B et 14B de paramètres.

Spécifications clés: 1,3B (lite) ou 14B, 5s en 720p, 16GB+ de VRAM pour le 1,3B

CogVideoX

CogVideoX de Zhipu AI se concentre sur le respect précis du texte et la cohérence pour les vidéos longues. Il est particulièrement performant pour le contenu cinématographique et la génération axée sur la narration.

Spécifications clés: 5B/10B paramètres, 6s à 1440×960, 16GB+ de VRAM

Mochi 1

Mochi 1 de Genmo est connu pour son mouvement fluide et sa physique réaliste. Il utilise une architecture AsymmDiT novatrice. Disponible entièrement open-source (poids + code d'entraînement).

Spécifications clés: 10B paramètres, 5,4s à 848×480, 24GB VRAM

LTX-Video

LTX-Video de LightRick privilégie la vitesse d'inférence avant tout. Il peut générer des vidéos en temps réel ou quasi temps réel sur les GPU modernes — idéal pour les applications interactives.

Spécifications clés: 2B paramètres, jusqu'à 2 minutes de vidéo, 8GB VRAM

---

Comparaison de la qualité

Benchmark EvalCrafter (2025)

La qualité est subjective. Ces scores reflètent le consensus de la communauté issu des benchmarks VBench et EvalCrafter.

Modèle	Score VBench	Qualité du mouvement	Alignement texte	Esthétique
Hunyuan Video	83.2	Excellente	Excellente	Excellente
Wan2.1 (14B)	82.8	Excellente	Excellente	Excellente
CogVideoX-5B	79.6	Bonne	Très bonne	Bonne
Mochi 1	77.4	Très bonne	Bonne	Bonne
LTX-Video	71.2	Bonne	Bonne	Acceptable

Forces qualitatives

Modèle	Meilleur pour	Faiblesses
Hunyuan Video	Qualité globale, cinématographie	Très lent, gourmand en VRAM
Wan2.1	Équilibre qualité/efficacité, I2V	Parfois trop saturé
CogVideoX	Narration longue, précision du texte	Mouvement moins dynamique
Mochi 1	Mouvement fluide, physique	Limite de résolution inférieure
LTX-Video	Vitesse, longues vidéos	Écart de qualité par rapport aux autres

---

Benchmarks de vitesse

Temps de génération (A100 80GB, GPU unique)

Modèle	480p 5s	720p 5s	1080p 5s
Hunyuan Video	45 min	~3 heures	❌ 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 sec	3 min	8 min

Les temps sont approximatifs et varient selon les étapes du sampler (20-50), le guidance scale et le matériel. Utilisez moins d'étapes pour les aperçus.

Avec optimisation (TeaCache / FORA / Step Distillation)

L'inférence optimisée peut réduire significativement le temps de génération :

Modèle	Avec cache	Accélération
Hunyuan Video	~15 min (720p)	4×
Wan2.1	~12 min (720p)	~4×
CogVideoX	~8 min (720p)	~3×
LTX-Video	~45s (720p)	4×

---

Exigences en VRAM

VRAM minimale par modèle et résolution

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

Techniques d'optimisation de la mémoire

Quantification

# CogVideoX avec quantification 8 bits (divise la VRAM par deux)
from diffusers import CogVideoXPipeline
import torch

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

Déportation CPU

# Wan2.1 avec déportation CPU pour réduire la 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 : Analyse approfondie

Architecture

• DiT 13B (Diffusion Transformer) paramètres

• Attention complète sur tous les tokens spatiaux et temporels

• Entraîné sur plus de 1 milliard de clips vidéo

Déploiement sur Clore.ai

# Cloner et installer
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

# Télécharger les poids (~87GB)
huggingface-cli download tencent/HunyuanVideo --local-dir ./weights

# Générer
python sample_video.py \
  --video-size 720 1280 \
  --video-length 129 \
  --infer-steps 50 \
  --prompt "Un aigle majestueux planant au-dessus de montagnes enneigées" \
  --flow-shift 7.0 \
  --embedded-cfg-scale 6.0 \
  --save-path ./outputs

Via ComfyUI

# Installer les nœuds HunyuanVideo pour ComfyUI
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt

Meilleur pour: Génération vidéo cinématographique de la plus haute qualité, sans contraintes de VRAM

---

Wan2.1 : Analyse approfondie

Architecture

• Deux variantes: Wan2.1-T2V-1.3B et Wan2.1-T2V-14B

• Image-to-Video (I2V) modèle également disponible

• Entrées multilingues solides (chinois + anglais) pour les prompts

Déploiement sur Clore.ai

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

# Modèle 1.3B — tient dans 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 jardin japonais serein avec des fleurs de cerisier qui tombent",
    negative_prompt="basse qualité, flou",
    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 avec 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 personne marche en avant avec confiance",
    num_frames=81,
).frames[0]

Meilleur pour: Équilibre qualité et efficacité, I2V, multilingue

---

CogVideoX : Analyse approfondie

Architecture

• Transformer expert avec attention 3D complète

• Variantes de 5B et 10B de paramètres

• encodeur d'images CogView3 pour la qualité visuelle

Déploiement sur 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="Un time-lapse d'une ville la nuit avec des traînées lumineuses de voitures",
    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)

Meilleur pour: Texte-vers-vidéo précis, contenu narratif, génération longue

---

Mochi 1 : Analyse approfondie

Architecture

• AsymmDiT — diffusion transformer asymétrique

• Accent sur la cohérence temporelle et le mouvement fluide

• Entièrement open-source incluant le code d'entraînement

Déploiement sur 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 dauphin sautant à travers les vagues de l'océan au coucher du soleil'},
)
"

Meilleur pour: Mouvement fluide, physique réaliste, cas d'utilisation recherche

---

LTX-Video : Analyse approfondie

Architecture

• 2B de paramètres DiT — plus petit, plus rapide

• Support natif de vidéos longues (jusqu'à 2 minutes)

• Conçu pour la génération en temps réel ou quasi temps réel

Déploiement sur 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="Un papillon se posant sur une fleur dans un jardin d'été",
    negative_prompt="pire qualité, mouvement incohérent, flou",
    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)

Meilleur pour: Génération rapide, applications interactives, vidéos longues, VRAM limitée (8GB)

---

Comparaison des fonctionnalités

Aperçu des capacités

Fonctionnalité	Hunyuan	Wan2.1	CogVideoX	Mochi	LTX
Texte‑vers‑vidéo	✅	✅	✅	✅	✅
Image-to-Video	✅	✅	✅	❌	✅
Vidéo‑vers‑vidéo	❌	❌	✅	❌	✅
ControlNet	Partiel	❌	✅	❌	❌
Support LoRA	✅	✅	✅	❌	✅
Nœuds ComfyUI	✅	✅	✅	✅	✅
Vidéo longue (>10s)	❌	❌	Partiel	❌	✅
Prompts en chinois	✅	✅	✅	❌	❌

---

Recommandations GPU Clore.ai

Pour chaque modèle

Modèle	GPU minimum	Recommandé	Idéal
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

Estimation du coût par vidéo

Hunyuan Video (720p, 5s) sur A100 80GB (~1,50 $/h) :
  Temps : ~45 min → Coût : ~1,12 $ par vidéo

Wan2.1-1.3B (480p, 5s) sur RTX 3090 (~0,50 $/h) :
  Temps : ~3 min → Coût : ~0,025 $ par vidéo

LTX-Video (720p, 5s) sur RTX 4090 (~0,60 $/h) :
  Temps : ~3 min → Coût : ~0,030 $ par vidéo

---

Quand utiliser lequel

Guide de décision

Qualité maximale (aucune limite de coût) ?
  → Hunyuan Video sur A100

Meilleur équilibre qualité/coût ?
  → Wan2.1 14B sur A6000

VRAM limitée (8-12GB) ?
  → LTX-Video ou Wan2.1 1.3B

Besoin d'une génération rapide ?
  → LTX-Video

Besoin d'Image‑to‑Video ?
  → Wan2.1 I2V ou CogVideoX

Besoin de vidéos longues (>10s) ?
  → LTX-Video

Recherche / fine‑tuning ?
  → Mochi 1 (code d'entraînement open) ou CogVideoX

Flux de travail ComfyUI ?
  → Tous pris en charge, Hunyuan/Wan meilleurs nœuds

---

Liens utiles

• Hunyuan Video GitHub

• Wan2.1 sur HuggingFace

• CogVideoX GitHub

• Mochi 1 GitHub

• LTX-Video GitHub

• Classement de génération vidéo

---

Résumé

Modèle	Utiliser quand
Hunyuan Video	La meilleure qualité est primordiale, A100+ disponible
Wan2.1	Meilleur équilibre qualité et efficacité
CogVideoX	Texte‑vers‑vidéo précis, longue narration
Mochi 1	Mouvement fluide, physique, recherche ouverte
LTX-Video	Vitesse, faible VRAM, vidéos longues

L'écosystème open-source de génération vidéo évolue rapidement. Pour la plupart des déploiements Clore.ai, Wan2.1 (1,3B pour le budget, 14B pour la qualité) offre la meilleure combinaison de qualité, vitesse et efficacité des ressources.