视频生成比较

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。

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。

---

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）

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。

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

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。

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

# 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

# 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

# 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

# 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

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

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

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

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

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

• Wan2.1 在 HuggingFace

• CogVideoX GitHub

• Mochi 1 GitHub

• LTX-Video GitHub

• 视频生成排行榜

---

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。