Comparaison des outils de génération vidéo

Comparez les principaux modèles open source de génération vidéo pour un 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’usage.

---

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 minimale	24GB	16 Go	16 Go	24GB	8 Go
Résolution max	1280×720	1280×720	1440×960	848×480	1216×704
Durée max	5 s	5 s	6 s	5,4 s	2 min
Licence	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
Étoiles GitHub	10K+	7K+	6K+	4K+	5K+

---

Aperçu

Hunyuan Video

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

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

Wan2.1

Wan (Wenying) 2.1 d'Alibaba est un concurrent sérieux de Hunyuan, offrant une qualité similaire avec des besoins minimaux en VRAM plus faibles. Disponible en variantes de paramètres 1.3B et 14B.

Spécifications clés: 1.3B (lite) ou 14B, 5 s en 720p, 16 Go+ de VRAM pour le 1.3B

CogVideoX

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

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

Mochi 1

Mochi 1 de Genmo est connu pour ses mouvements fluides et doux ainsi que pour sa physique réaliste. Il utilise une nouvelle architecture AsymmDiT. Disponible entièrement en open source (poids + code d’entraînement).

Spécifications clés: 10 milliards de paramètres, 5,4 s en 848×480, 24 Go de VRAM

LTX-Video

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

Spécifications clés: 2 milliards de paramètres, jusqu’à 2 minutes de vidéo, 8 Go de 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	Correspondance au texte	Esthétique
Hunyuan Video	83.2	Excellente	Excellente	Excellente
Wan2.1 (14B)	82.8	Excellente	Excellente	Excellente
CogVideoX-5B	79.6	Bon	Très bonne	Bon
Mochi 1	77.4	Très bonne	Bon	Bon
LTX-Video	71.2	Bon	Bon	Acceptable

Points forts qualitatifs

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 plus basse
LTX-Video	Vitesse, vidéos longues	Écart de qualité par rapport aux autres

---

Benchmarks de vitesse

Temps de génération (A100 80 Go, GPU unique)

Modèle	480p 5 s	720p 5 s	1080p 5 s
Hunyuan Video	45 min	~3 heures	❌ Hors mémoire
Wan2.1 (14B)	15 min	45 min	❌ Hors mémoire
Wan2.1 (1.3B)	3 min	8 min	❌ Hors mémoire
CogVideoX-5B	10 min	25 min	❌ Hors mémoire
Mochi 1	8 min	❌ Hors mémoire	❌ Hors mémoire
LTX-Video	45 s	3 min	8 min

Les temps sont approximatifs et varient selon les étapes de l’échantillonneur (20-50), l’échelle de guidage et le matériel. Utilisez moins d’étapes pour les aperçus.

Avec optimisation (TeaCache / FORA / distillation d’étapes)

L’inférence optimisée peut réduire considérablement 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	~45 s (720p)	4×

---

Exigences en VRAM

VRAM minimale selon le modèle et la résolution

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

Techniques d’optimisation de la mémoire

Quantification

# CogVideoX avec quantification en 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()

Déchargement sur CPU

# Wan2.1 avec déchargement sur 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 : plongée approfondie

Architecture

• DiT 13B (transformeur de diffusion) paramètres

• Attention complète sur tous les jetons 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 (~87 Go)
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 majestueux aigle 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

Idéal pour: génération vidéo cinématographique de la plus haute qualité, sans contraintes de VRAM

---

Wan2.1 : plongée approfondie

Architecture

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

• Image vers vidéo modèle (I2V) également disponible

• Prompts multilingues puissants (chinois + anglais)

Déploiement sur Clore.ai

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

# Modèle 1.3B — tient dans 8-16 Go 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="faible 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 vers vidéo 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 avance avec assurance",
    num_frames=81,
).frames[0]

Idéal pour: équilibre entre qualité et efficacité, I2V, multilingue

---

CogVideoX : plongée approfondie

Architecture

• Transformeur expert avec attention complète 3D

• 5B et 10B variantes 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)

Idéal pour: texte vers vidéo précis, contenu narratif, génération longue

---

Mochi 1 : plongée approfondie

Architecture

• AsymmDiT — transformeur de diffusion asymétrique

• Accent sur la cohérence temporelle et le mouvement fluide

• Entièrement open source, y compris 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 bondissant à travers les vagues de l’océan au coucher du soleil'},
)
"

Idéal pour: mouvement fluide, physique réaliste, cas d’usage pour la recherche

---

LTX-Video : plongée approfondie

Architecture

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

• Natif vidéo longue prise en charge (jusqu’à 2 minutes)

• Conçu pour une 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)

Idéal pour: génération rapide, applications interactives, vidéos longues, VRAM limitée (8 Go)

---

Comparaison des fonctionnalités

Aperçu des capacités

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

---

Recommandations GPU Clore.ai

Pour chaque modèle

Modèle	GPU minimum	Recommandé	Idéal
Hunyuan Video	RTX 3090 (24 Go)	A6000 (48 Go)	A100 (80 Go)
Wan2.1 14B	RTX 3090 (24 Go)	A6000 (48 Go)	A100 (80 Go)
Wan2.1 1.3B	RTX 3080 (10 Go)	RTX 3090	RTX 4090
CogVideoX-5B	RTX 3090 (24 Go)	A6000 (48 Go)	A100
CogVideoX-2B	RTX 3080 (10 Go)	RTX 3090	RTX 4090
Mochi 1	RTX 3090 (24 Go)	A6000 (48 Go)	A100
LTX-Video	RTX 3080 (10 Go)	RTX 4080	RTX 4090

Estimation du coût par vidéo

Hunyuan Video (720p, 5 s) sur A100 80 Go ([bare metal](https://clore.ai/bare-metal)) :
  Temps : ~45 min → Coût : ~1,12 $ par vidéo

Wan2.1-1.3B (480p, 5 s) sur RTX 3090 (0,07–0,21 $/h) :
  Temps : ~3 min → Coût : ~0,025 $ par vidéo

LTX-Video (720p, 5 s) sur RTX 4090 (0,14–0,42 $/h) :
  Temps : ~3 min → Coût : ~0,030 $ par vidéo

---

Quand utiliser quoi

Guide de décision

Qualité maximale (sans contrainte de coût) ?
  → Hunyuan Video sur A100

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

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

Besoin d’une génération rapide ?
  → LTX-Video

Besoin d’image vers vidéo ?
  → Wan2.1 I2V ou CogVideoX

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

Recherche / fine-tuning ?
  → Mochi 1 (code d’entraînement ouvert) ou CogVideoX

Workflow ComfyUI ?
  → Tous pris en charge, meilleurs nœuds pour Hunyuan/Wan

---

Liens utiles

• GitHub de Hunyuan Video

• Wan2.1 sur Hugging Face

• GitHub de CogVideoX

• GitHub de Mochi 1

• GitHub de LTX-Video

• Classement de génération vidéo

---

Résumé

Modèle	À utiliser quand
Hunyuan Video	La qualité prime et un A100+ est disponible
Wan2.1	Meilleur équilibre entre qualité et efficacité
CogVideoX	Texte vers vidéo précis, narration longue
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 sur Clore.ai, Wan2.1 (1.3B pour le budget, 14B pour la qualité) offre la meilleure combinaison de qualité, de vitesse et d’efficacité en ressources.