Сравнение генерации видео

Сравните ведущие модели генерации видео с открытым исходным кодом для развертывания на GPU-серверах Clore.ai.

Генерация видео с ИИ взлетела в 2024–2025 годах. Это руководство сравнивает лучшие модели с открытым исходным кодом — Hunyuan Video, Wan2.1, CogVideoX, Mochi 1 и LTX-Video — по качеству, скорости, требованиям к VRAM и сценариям использования.

---

Быстрая матрица выбора

	Hunyuan Video	Wan2.1	CogVideoX	Mochi 1	LTX-Video
Разработчик	Tencent	Alibaba	Zhipu AI	Genmo	LightRicks
Качество	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
Скорость	Медленно	Средне	Средне	Средне	Быстро
Мин. VRAM	24 ГБ	16GB	16GB	24 ГБ	8 ГБ
Макс. разрешение	1280×720	1280×720	1440×960	848×480	1216×704
Макс. длительность	5s	5s	6 с	5,4 с	2 мин
Лицензия	CLA	Apache 2.0	Apache 2.0	Apache 2.0	Apache 2.0
Звёзды на GitHub	10K+	7K+	6K+	4K+	5K+

---

Обзор

Hunyuan Video

Hunyuan Video от Tencent по состоянию на начало 2025 года широко считается лучшей моделью генерации видео с открытым исходным кодом. Она использует архитектуру на основе трансформера с исключительным качеством движения.

Ключевые характеристики: 13 млрд параметров, 5 с при 720p, требуется 24+ ГБ VRAM

Wan2.1

Wan (Wenying) 2.1 от Alibaba — сильный конкурент Hunyuan, предлагающий сопоставимое качество при меньших минимальных требованиях к VRAM. Доступен в вариантах с 1.3B и 14B параметров.

Ключевые характеристики: 1.3B (lite) или 14B, 5 с при 720p, 16+ ГБ VRAM для 1.3B

CogVideoX

CogVideoX от Zhipu AI делает упор на точное следование тексту и согласованное длинное видео. Особенно силён для кинематографического контента и генерации с сюжетом.

Ключевые характеристики: 5B/10B параметров, 6 с при 1440×960, 16+ ГБ VRAM

Mochi 1

Mochi 1 от Genmo известен плавным, текучим движением и реалистичной физикой. Он использует новую архитектуру AsymmDiT. Доступен полностью с открытым исходным кодом (веса + код обучения).

Ключевые характеристики: 10B параметров, 5,4 с при 848×480, 24 ГБ VRAM

LTX-Video

LTX-Video от LightRicks ставит во главу угла скорость инференса. Он может генерировать видео в реальном времени или почти в реальном времени на современных GPU — идеально для интерактивных приложений.

Ключевые характеристики: 2B параметров, до 2 минут видео, 8 ГБ VRAM

---

Сравнение качества

Бенчмарк EvalCrafter (2025)

Качество субъективно. Эти оценки отражают консенсус сообщества по бенчмаркам VBench и EvalCrafter.

Модель	Оценка VBench	Качество движения	Соответствие тексту	Эстетика
Hunyuan Video	83.2	Отлично	Отлично	Отлично
Wan2.1 (14B)	82.8	Отлично	Отлично	Отлично
CogVideoX-5B	79.6	Хорошо	Очень хорошо	Хорошо
Mochi 1	77.4	Очень хорошо	Хорошо	Хорошо
LTX-Video	71.2	Хорошо	Хорошо	Приемлемо

Качественные сильные стороны

Модель	Лучше всего подходит для	Недостатки
Hunyuan Video	Общее качество, кинематография	Очень медленный, прожорливый к VRAM
Wan2.1	Баланс качества/эффективности, I2V	Иногда пересыщенные цвета
CogVideoX	Длинная нарративная форма, точность текста	Менее динамичное движение
Mochi 1	Плавное движение, физика	Более низкий предел разрешения
LTX-Video	Скорость, длинные видео	Отставание по качеству по сравнению с другими

---

Бенчмарки скорости

Время генерации (A100 80 ГБ, один GPU)

Модель	480p 5 с	720p 5 с	1080p 5 с
Hunyuan Video	45 мин	~3 часа	❌ OOM
Wan2.1 (14B)	15 мин	45 мин	❌ OOM
Wan2.1 (1.3B)	3 мин	8 мин	❌ OOM
CogVideoX-5B	10 мин	25 мин	❌ OOM
Mochi 1	8 мин	❌ OOM	❌ OOM
LTX-Video	45 с	3 мин	8 мин

Время приблизительное и зависит от шагов сэмплера (20–50), масштаба guidance и оборудования. Для предварительных просмотров используйте меньше шагов.

С оптимизацией (TeaCache / FORA / Step Distillation)

Оптимизированный инференс может значительно сократить время генерации:

Модель	С кэшем	Ускорение
Hunyuan Video	~15 мин (720p)	4×
Wan2.1	~12 мин (720p)	~4×
CogVideoX	~8 мин (720p)	~3×
LTX-Video	~45 с (720p)	4×

---

Требования к VRAM

Минимальный объём VRAM по модели и разрешению

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

Техники оптимизации памяти

Квантование

# CogVideoX с 8-битной квантизацией (вдвое снижает VRAM)
from diffusers import CogVideoXPipeline
import torch

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

Выгрузка на CPU

# Wan2.1 с выгрузкой на CPU для снижения 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: Подробный разбор

Архитектура

• 13B DiT (параметры Diffusion Transformer)

• Полное внимание ко всем пространственным и временным токенам

• Обучена на более чем 1 млрд видеоклипов

Развертывание на Clore.ai

# Клонируйте и установите
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

# Скачайте веса (~87 ГБ)
huggingface-cli download tencent/HunyuanVideo --local-dir ./weights

# Генерировать
python sample_video.py \\
  --video-size 720 1280 \\
  --video-length 129 \\
  --infer-steps 50 \\
  --prompt "Величественный орёл, парящий над заснеженными горами" \\
  --flow-shift 7.0 \\
  --embedded-cfg-scale 6.0 \\
  --save-path ./outputs

Через ComfyUI

# Установите узлы HunyuanVideo для ComfyUI
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt

Лучше всего для: Генерация кинематографического видео высочайшего качества, без ограничений по VRAM

---

Wan2.1: Подробный разбор

Архитектура

• Два варианта: Wan2.1-T2V-1.3B и Wan2.1-T2V-14B

• Изображение в видео Модель (I2V) также доступна

• Сильная поддержка многоязычных запросов (китайский + английский)

Развертывание на Clore.ai

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

# Модель 1.3B — помещается в 8–16 ГБ VRAM
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

output = pipe(
    prompt="Спокойный японский сад с падающими лепестками сакуры",
    negative_prompt="низкое качество, размыто",
    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)

Изображение-в-видео с 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="Человек уверенно идёт вперёд",
    num_frames=81,
).frames[0]

Лучше всего для: Баланс качества и эффективности, I2V, многоязычность

---

CogVideoX: Подробный разбор

Архитектура

• Экспертный трансформер с 3D полным вниманием

• 5B и 10B варианты параметров

• энкодер изображений CogView3 для качества визуализации

Развертывание на 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="Покадровая съёмка города ночью со световыми следами от автомобилей",
    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)

Лучше всего для: Точное преобразование текста в видео, нарративный контент, длинная генерация

---

Mochi 1: Подробный разбор

Архитектура

• AsymmDiT — асимметричный диффузионный трансформер

• Фокус на временной согласованности и плавном движении

• Полностью open-source, включая код обучения

Развертывание на 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': 'Дельфин, выпрыгивающий из океанских волн на закате'},
)
"

Лучше всего для: Плавное движение, реалистичная физика, исследовательские сценарии

---

LTX-Video: Подробный разбор

Архитектура

• 2B-параметр DiT — меньше, быстрее

• Нативная длинное видео поддержка (до 2 минут)

• Разработан для генерации в реальном времени или почти в реальном времени

Развертывание на 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="Бабочка, садящаяся на цветок в летнем саду",
    negative_prompt="худшее качество, несогласованное движение, размыто",
    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)

Лучше всего для: Быстрая генерация, интерактивные приложения, длинные видео, ограниченная VRAM (8 ГБ)

---

Сравнение функций

Обзор возможностей

Функция	Hunyuan	Wan2.1	CogVideoX	Mochi	LTX
Текст в видео	✅	✅	✅	✅	✅
Изображение в видео	✅	✅	✅	❌	✅
Видео-в-видео	❌	❌	✅	❌	✅
ControlNet	Частично	❌	✅	❌	❌
Поддержка LoRA	✅	✅	✅	❌	✅
Узлы ComfyUI	✅	✅	✅	✅	✅
Длинное видео (>10 с)	❌	❌	Частично	❌	✅
Запросы на китайском	✅	✅	✅	❌	❌

---

Рекомендации по GPU для Clore.ai

Для каждой модели

Модель	Минимальная GPU	Рекомендуется	Идеально
Hunyuan Video	RTX 3090 (24 ГБ)	A6000 (48 ГБ)	A100 (80 ГБ)
Wan2.1 14B	RTX 3090 (24 ГБ)	A6000 (48 ГБ)	A100 (80 ГБ)
Wan2.1 1.3B	RTX 3080 (10GB)	RTX 3090	RTX 4090
CogVideoX-5B	RTX 3090 (24 ГБ)	A6000 (48 ГБ)	A100
CogVideoX-2B	RTX 3080 (10GB)	RTX 3090	RTX 4090
Mochi 1	RTX 3090 (24 ГБ)	A6000 (48 ГБ)	A100
LTX-Video	RTX 3080 (10GB)	RTX 4080	RTX 4090

Оценка стоимости за видео

Hunyuan Video (720p, 5s) на A100 80 ГБ ([голое железо](https://clore.ai/bare-metal)):
  Время: ~45 мин → Стоимость: ~$1.12 за видео

Wan2.1-1.3B (480p, 5s) на RTX 3090 ($0.07–0.21/ч):
  Время: ~3 мин → Стоимость: ~$0.025 за видео

LTX-Video (720p, 5s) на RTX 4090 ($0.14–0.42/ч):
  Время: ~3 мин → Стоимость: ~$0.030 за видео

---

Когда что использовать

Руководство по выбору

Максимальное качество (без ограничений по стоимости)?
  → Hunyuan Video на A100

Лучший баланс качества и стоимости?
  → Wan2.1 14B на A6000

Ограниченная VRAM (8–12 ГБ)?
  → LTX-Video или Wan2.1 1.3B

Нужна быстрая генерация?
  → LTX-Video

Нужен Image-to-Video?
  → Wan2.1 I2V или CogVideoX

Нужны длинные видео (>10 с)?
  → LTX-Video

Исследования/дообучение?
  → Mochi 1 (открытый код обучения) или CogVideoX

Рабочий процесс в ComfyUI?
  → Поддерживаются все, лучшие узлы у Hunyuan/Wan

---

Полезные ссылки

• Hunyuan Video GitHub

• Wan2.1 на HuggingFace

• CogVideoX GitHub

• Mochi 1 GitHub

• LTX-Video GitHub

• Таблица лидеров генерации видео

---

Итог

Модель	Использовать, когда
Hunyuan Video	Качество важнее всего, доступен A100+
Wan2.1	Лучший баланс качества и эффективности
CogVideoX	Точное преобразование текста в видео, длинный нарратив
Mochi 1	Плавное движение, физика, открытые исследования
LTX-Video	Скорость, низкая VRAM, длинные видео

Экосистема генерации видео с открытым исходным кодом быстро развивается. Для большинства развёртываний на Clore.ai, Wan2.1 (1.3B — для бюджета, 14B — для качества) предлагает лучшее сочетание качества, скорости и эффективности использования ресурсов.