# 视频生成对比

比较适用于在 Clore.ai GPU 服务器上部署的领先开源视频生成模型。

{% hint style="info" %}
**AI 视频生成** 在 2024–2025 年爆发。本指南比较了顶级开源模型 — 昊元视频、Wan2.1、CogVideoX、Mochi 1 和 LTX-Video — 涵盖质量、速度、显存要求和使用场景。
{% endhint %}

***

## 快速决策矩阵

|               | 昊元视频     | Wan2.1     | CogVideoX  | Mochi 1    | LTX-Video  |
| ------------- | -------- | ---------- | ---------- | ---------- | ---------- |
| **开发者**       | 腾讯       | 阿里巴巴       | 智谱AI       | Genmo      | LightRicks |
| **速度**        | ⭐⭐⭐⭐⭐    | ⭐⭐⭐⭐⭐      | ⭐⭐⭐⭐       | ⭐⭐⭐⭐       | ⭐⭐⭐        |
| **适用场景**      | 较慢       | 高细节        | 高细节        | 高细节        | **通用使用**   |
| **最低显存**      | 24GB     | 16GB       | 16GB       | 24GB       | **8GB**    |
| **最大分辨率**     | 1280×720 | 1280×720   | 1440×960   | 848×480    | 1216×704   |
| **最大时长**      | 5秒       | 5秒         | 6秒         | 5.4秒       | 2 分钟       |
| **许可**        | CLA      | Apache 2.0 | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| **GitHub 星标** | 1万+      | 7千+        | 6千+        | 4千+        | 5千+        |

***

## 概览

### 昊元视频

腾讯的昊元视频被广泛认为是截至 2025 年初最佳的开源视频生成模型。它使用基于 Transformer 的架构，运动质量出色。

**关键规格**：13B 参数，720p 下 5 秒，要求 24GB+ 显存

### Wan2.1

阿里巴巴的 Wan（文影）2.1 是昊元的有力竞争者，提供类似质量且最低显存要求更低。提供 1.3B 和 14B 参数变体。

**关键规格**：1.3B（精简）或 14B，720p 下 5 秒，1.3B 需 16GB+ 显存

### CogVideoX

智谱 AI 的 CogVideoX 注重精确的文本遵从和连贯的长视频生成。它在电影化内容和叙事驱动生成方面尤其强势。

**关键规格**：5B/10B 参数，1440×960 下 6 秒，16GB+ 显存

### Mochi 1

Genmo 的 Mochi 1 以平滑流畅的运动和逼真的物理效果著称。它使用新颖的 AsymmDiT 架构。完全开源（权重 + 训练代码）。

**关键规格**：10B 参数，848×480 下 5.4 秒，24GB 显存

### LTX-Video

LightRicks 的 LTX-Video 将推理速度置于首位。它可以在现代 GPU 上实时或近实时生成视频——非常适合交互式应用。

**关键规格**：2B 参数，最长可达 2 分钟视频，8GB 显存

***

## 质量比较

### EvalCrafter 基准（2025）

{% hint style="info" %}
质量是主观的。这些评分反映了来自 VBench 和 EvalCrafter 基准的社区共识。
{% endhint %}

| 模型           | VBench 得分 | 运动质量        | 文本对齐    | 美学      |
| ------------ | --------- | ----------- | ------- | ------- |
| 昊元视频         | **83.2**  | **适合照片级写实** | 适合照片级写实 | 适合照片级写实 |
| Wan2.1（14B）  | **82.8**  | 适合照片级写实     | 适合照片级写实 | 适合照片级写实 |
| CogVideoX-5B | 79.6      | 快速          | **非常好** | 快速      |
| Mochi 1      | 77.4      | 非常好         | 快速      | 快速      |
| LTX-Video    | 71.2      | 快速          | 快速      | 可接受     |

### 定性优势

| 模型        | 最擅长                | 弱点         |
| --------- | ------------------ | ---------- |
| 昊元视频      | 整体质量、电影感           | 非常慢，显存需求高  |
| Wan2.1    | 质量/效率平衡，图像到视频（I2V） | 偶尔过饱和      |
| CogVideoX | 长篇叙事，文本准确性         | 运动较不动态     |
| Mochi 1   | 流畅运动，物理逼真          | 分辨率下限较低    |
| LTX-Video | 速度、长视频             | 与其他模型的质量差距 |

***

## 速度基准

### 生成时间（A100 80GB，单 GPU）

| 模型           | 480p 5秒  | 720p 5秒  | 1080p 5秒 |
| ------------ | -------- | -------- | -------- |
| 昊元视频         | 45 分钟    | 约 3 小时   | ❌ 内存溢出   |
| Wan2.1（14B）  | 15 分钟    | 45 分钟    | ❌ 内存溢出   |
| Wan2.1（1.3B） | 3 分钟     | 8 分钟     | ❌ 内存溢出   |
| CogVideoX-5B | 10 分钟    | 25 分钟    | ❌ 内存溢出   |
| Mochi 1      | 8 分钟     | ❌ 内存溢出   | ❌ 内存溢出   |
| LTX-Video    | **45 秒** | **3 分钟** | 8 分钟     |

{% hint style="warning" %}
**时间为近似值** 并随采样步骤（20–50）、引导尺度和硬件而变化。预览时使用更少步骤。
{% endhint %}

### 经过优化（TeaCache / FORA / 步骤蒸馏）

优化后的推理可以显著减少生成时间：

| 模型        | 启用缓存时        | 加速比 |
| --------- | ------------ | --- |
| 昊元视频      | 〜15 分钟（720p） | 4×  |
| Wan2.1    | 〜12 分钟（720p） | 〜4× |
| CogVideoX | 〜8 分钟（720p）  | 〜3× |
| LTX-Video | 〜45 秒（720p）  | 4×  |

***

## 显存需求

### 按模型和分辨率的最小显存

| 模型           | 480p    | 720p  | 1080p |
| ------------ | ------- | ----- | ----- |
| 昊元视频         | 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  |

### 内存优化技术

#### 量化

```python
# 对 CogVideoX 使用 8-bit 量化（显存减半）
from diffusers import CogVideoXPipeline
import torch

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.float16
)
pipe.enable_model_cpu_offload()  # 进一步减少显存
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()
```

#### CPU 卸载

```python
# 对 Wan2.1 使用 CPU 卸载以降低显存
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()
```

***

## 昊元视频：深入解析

### 架构

* **13B DiT** （扩散 Transformer）参数
* 对所有空间和时间 token 采用全注意力
* 在 10 亿+ 视频片段上训练

### 在 Clore.ai 上部署

```bash
# 克隆并安装
git clone https://github.com/Tencent/HunyuanVideo
cd HunyuanVideo
pip install -r requirements.txt

# 下载权重（约 87GB）
huggingface-cli download tencent/HunyuanVideo --local-dir ./weights

# 生成
python sample_video.py \
  --video-size 720 1280 \
  --video-length 129 \
  --infer-steps 50 \
  --prompt "一只雄伟的鹰在被雪覆盖的山脉上空翱翔" \
  --flow-shift 7.0 \
  --embedded-cfg-scale 6.0 \
  --save-path ./outputs
```

### 通过 ComfyUI

```bash
# 为 ComfyUI 安装 HunyuanVideo 节点
cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
pip install -r ComfyUI-HunyuanVideoWrapper/requirements.txt
```

**适用场景**：最高质量的电影级视频生成，无显存限制时首选

***

## Wan2.1：深入解析

### 架构

* **两种变体**：Wan2.1-T2V-1.3B 和 Wan2.1-T2V-14B
* **图像到视频** （I2V）模型也可用
* 强大的多语种（中文 + 英文）提示支持

### 在 Clore.ai 上部署

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

# 1.3B 模型 — 可在 8–16GB 显存中运行
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.1-T2V-1.3B-Diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

output = pipe(
    prompt="一个宁静的日本庭院，樱花飘落",
    negative_prompt="低质量，模糊",
    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)
```

### 使用 Wan2.1 的图像到视频

```python
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="那个人自信地向前走",
    num_frames=81,
).frames[0]
```

**适用场景**：质量与效率平衡，I2V，多语种

***

## CogVideoX：深入解析

### 架构

* **专家级 Transformer** 配备 3D 全注意力
* **5B 和 10B** 参数变体
* 采用 CogView3 图像编码器以提升视觉质量

### 在 Clore.ai 上部署

```python
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="一段城市夜景的延时摄影，车灯留下光迹",
    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)
```

**适用场景**：精确的文本到视频、叙事内容、长篇生成

***

## Mochi 1：深入解析

### 架构

* **AsymmDiT** — 非对称扩散 Transformer
* 注重时间一致性和流畅运动
* 完全开源，包括训练代码

### 在 Clore.ai 上部署

```bash
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': '一只海豚在日落时穿越海浪跃起'},
)
"
```

**适用场景**：流畅运动、逼真物理、研究用途

***

## LTX-Video：深入解析

### 架构

* **2B 参数** DiT — 更小、更快
* 原生 **长视频** 支持（最长可达 2 分钟）
* 为实时或近实时生成设计

### 在 Clore.ai 上部署

```python
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="一只蝴蝶停在夏日花园的一朵花上",
    negative_prompt="最差质量，运动不一致，模糊",
    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)
```

**适用场景**：快速生成、交互式应用、长视频、显存受限（8GB）

***

## 功能比较

### 能力概览

| 功能         | 昊元   | Wan2.1 | CogVideoX | Mochi | LTX |
| ---------- | ---- | ------ | --------- | ----- | --- |
| 文本到视频      | ✅    | ✅      | ✅         | ✅     | ✅   |
| 图像到视频      | ✅    | ✅      | ✅         | ❌     | ✅   |
| 视频到视频      | ❌    | ❌      | ✅         | ❌     | ✅   |
| ControlNet | 部分支持 | ❌      | ✅         | ❌     | ❌   |
| LoRA 支持    | ✅    | ✅      | ✅         | ❌     | ✅   |
| ComfyUI 节点 | ✅    | ✅      | ✅         | ✅     | ✅   |
| 长视频（>10 秒） | ❌    | ❌      | 部分支持      | ❌     | ✅   |
| 中文提示       | ✅    | ✅      | ✅         | ❌     | ❌   |

***

## Clore.ai 的 GPU 建议

### 针对每个模型

| 模型           | 最低 GPU         | 推荐配置        | 理想         |
| ------------ | -------------- | ----------- | ---------- |
| 昊元视频         | 生产             | A6000（48GB） | A100（80GB） |
| Wan2.1 14B   | 生产             | A6000（48GB） | A100（80GB） |
| Wan2.1 1.3B  | RTX 3080（10GB） | RTX 3090    | RTX 4090   |
| CogVideoX-5B | 生产             | A6000（48GB） | A100       |
| CogVideoX-2B | RTX 3080（10GB） | RTX 3090    | RTX 4090   |
| Mochi 1      | 生产             | A6000（48GB） | A100       |
| LTX-Video    | RTX 3080（10GB） | RTX 4080    | RTX 4090   |

### 每个视频的成本估算

```
昊元视频（720p，5秒）在 A100 80GB（约 $1.50/小时）：
  时间：约 45 分钟 → 成本：约 $1.12 每个视频

Wan2.1-1.3B（480p，5秒）在 RTX 3090（约 $0.50/小时）：
  时间：约 3 分钟 → 成本：约 $0.025 每个视频

LTX-Video（720p，5秒）在 RTX 4090（约 $0.60/小时）：
  时间：约 3 分钟 → 成本：约 $0.030 每个视频
```

***

## 何时使用哪个

### 决策指南

```
追求最高质量（不限制成本）？
  → 在 A100 上使用昊元视频

最佳质量/成本平衡？
  → 在 A6000 上使用 Wan2.1 14B

显存受限（8–12GB）？
  → LTX-Video 或 Wan2.1 1.3B

需要快速生成？
  → LTX-Video

需要图像到视频？
  → Wan2.1 I2V 或 CogVideoX

需要长视频（>10 秒）？
  → LTX-Video

研究/微调？
  → Mochi 1（开源训练代码）或 CogVideoX

ComfyUI 工作流？
  → 全部支持，以昊元/Wan 的节点最佳
```

***

## 有用的链接

* [昊元视频 GitHub](https://github.com/Tencent/HunyuanVideo)
* [Wan2.1 在 HuggingFace](https://huggingface.co/Wan-AI)
* [CogVideoX GitHub](https://github.com/THUDM/CogVideo)
* [Mochi 1 GitHub](https://github.com/genmoai/mochi)
* [LTX-Video GitHub](https://github.com/Lightricks/LTX-Video)
* [视频生成排行榜](https://huggingface.co/spaces/ArtificialAnalysis/video-generation-arena-leaderboard)

***

## 总结

| 模型            | 使用场景                 |
| ------------- | -------------------- |
| **昊元视频**      | 当最优质量最重要且有 A100+ 可用时 |
| **Wan2.1**    | 质量与效率平衡最佳            |
| **CogVideoX** | 精确的文本到视频、长篇叙事        |
| **Mochi 1**   | 流畅运动、物理逼真、开放研究       |
| **LTX-Video** | 速度、低显存、长视频           |

开源视频生成生态发展迅速。对于大多数 Clore.ai 部署， **Wan2.1** （1.3B 适合预算，14B 适合质量）在质量、速度和资源效率方面提供了最佳组合。