# 01 · 视频生成基座模型（文生视频 / 图生视频）

这一类是「自己长出画面」的模型：给文本或一张图，直接产出视频像素。它们决定画质上限，也是后面所有数字人、短剧、二创工作流的底座。以下数据抓取自 GitHub 仓库实时指标（快照日期 2026-11-03）。

---

## 1. Wan2.2 / Wan2.1 —— 阿里的通义万相，目前开源生态的事实标准

| 项目 | ★ | 协议 | 最近提交 |
|---|---|---|---|
| `Wan-Video/Wan2.2` | 18,335 | Apache-2.0 | 2026-09-21 |
| `Wan-Video/Wan2.1` | 17,366 | Apache-2.0 | 2026-03-05 |

**定位**：MoE 架构的大一统视频模型族，T2V / I2V / TI2V 全都有，中英文提示词原生支持（中文用户极少踩坑的一个）。

**关键规格**
- Wan2.2-T2V-A14B / I2V-A14B：MoE 结构，总参 27B、激活 14B，主打电影级美学与运动幅度。
- Wan2.2-TI2V-5B：纯 5B 稠密模型，720P@24fps，单张 RTX 4090 可跑，是「消费级能出片」的那一档。
- Wan2.1-1.3B：最轻的一档，8GB 显存能跑（官方给的是 4090 上 5 秒 480P 约 4 分钟）。
- Wan2.1-14B：质量档，fp8 + offload 后 24GB 卡可跑，原生要 40GB 级别。

**优点**
- 生态最厚：ComfyUI 原生节点、Wan2.2 的 LoRA 训练脚本、量化 GGUF 全都有，社区教程以中文为主。
- Apache-2.0，商用无附加条款，是目前最"干净"的高质量底座。
- 官方给了完整的 prompt 规范（镜头语言、光影、景别），出片可控性比纯黑盒 API 强。

**短板**
- 14B 档在 24G 卡上必须量化 + 分层 offload，速度掉到 5 秒 720P 十几分钟。
- 长镜头一致性靠首尾帧/续写拼接，不是原生无限长。

**适合**：想做本地主力生成器、需要商用授权、要中文提示词的人。这是默认首选。

---

## 2. HunyuanVideo / HunyuanVideo-1.5 —— 腾讯混元

| 项目 | ★ | 协议 | 最近提交 |
|---|---|---|---|
| `Tencent-Hunyuan/HunyuanVideo` | 12,714 | 混元社区许可（非标准 OSI） | 2026-10-08 |
| `Tencent-Hunyuan/HunyuanVideo-1.5` | 4,590 | 混元社区许可 | 2026-04-10 |

**定位**：13B 的 DiT 大模型（1.0），开源时对标并超过同期的闭源产品；1.5 是轻量化分支。

**关键规格**
- HunyuanVideo 1.0：13B，原生 720P，官方给的入门显存约 45GB；社区 fp8/GGUF 量化后可压到 24GB（慢）甚至 12GB（很慢）。
- HunyuanVideo-1.5：8B 级别，官方主打"消费级显卡可跑"（14GB 级显存 + offload），480P/720P，速度明显快于 1.0。

**优点**
- 画面质感、人物皮肤与光影在开源里属于第一梯队。
- 1.5 把门槛从"多卡/80G"拉到"单张 4070Ti 级别"，是这两年最实用的一次降低门槛。
- 附带完整的 prompt 改写模型和负向提示词经验。

**短板**
- **协议不是 Apache/MIT**：腾讯混元社区许可，月活超阈值要单独授权，商用前必须逐条读许可原文。
- 1.0 生态偏英文，中文资料比 Wan 少一截。
- 1.5 版本迭代期，工具链（ComfyUI 节点、量化包）跟进有滞后。

**适合**：追求画面上限、能接受许可约束的团队；个人创作者用 1.5 更划算。

---

## 3. LTX-Video —— 唯一认真做"速度"的一支

| 项目 | ★ | 协议 | 最近提交 |
|---|---|---|---|
| `Lightricks/LTX-Video` | 11,286 | Apache-2.0 | 2026-11-02 |

**定位**：Lightricks 的 DiT，卖点是**实时级/近实时**生成，2B 档在单卡上能跑到秒级出片。

**关键规格**
- 2B：720P，4090 上 5 秒视频约 4 秒出，快到可以当"预览器"用。
- 13B：质量档，24GB 以上（fp8 后 24G 可跑），画质接近 HunyuanVideo 档。

**优点**
- 速度是断层优势：适合"改 prompt 迭代 50 次"的创作节奏，而不是等十分钟看一次。
- Apache-2.0，商用无坑。
- 2B 和 13B 分离，正好形成"快速试错 → 精修"的两段式流程。

**短板**
- 2B 档运动复杂度和细节明显弱于 14B 档，长镜头容易出现糊面/纹理跳动。
- 中文提示词支持一般，建议用英文 prompt。

**适合**：要大量出草稿、做分镜预演、需要批量生成的人。

---

## 4. Mochi 1 —— Genmo，Apache 阵营的老牌选手

| 项目 | ★ | 协议 | 最近提交 |
|---|---|---|---|
| `genmoai/mochi` | 3,761 | Apache-2.0 | 2026-10-22 |

**定位**：10B AsymmDiT，480P，开源时就以"运动幅度大、跟随提示词准"出名。

**关键规格**
- 10B，480P@30fps，原生需要 H100 级显存；ComfyUI 的 fp8 单文件版本 24GB 可跑。
- 无音频轨道，纯视觉。

**优点**：Apache-2.0 最彻底的一次开源（连训练代码都给）；运动自然度至今不落后。
**短板**：480P 就是天花板，不放大几乎不能直接用；更新节奏放缓，已被 Wan 系超越。
**适合**：研究/微调、对分辨率不敏感的素材生成。

---

## 5. Open-Sora —— 唯一给全训练链路的

| 项目 | ★ | 协议 | 最近提交 |
|---|---|---|---|
| `hpcaitech/Open-Sora` | 29,902 | Apache-2.0 | 2026-04-09 |

**定位**：不是"一个模型"，是**可复现的训练 + 推理全套栈**（数据清洗、VAE、并行训练、推理）。

**规格**：Open-Sora 2.0 为 11B，官方公开了训练成本量级与全部配置。
**优点**：想自己训模型、改架构、做领域微调，这是唯一有完整工程参考的项目；文档质量高。
**短板**：直接出片质量不如 Wan/Hunyuan；对硬件要求高（多卡训练）；更新偏慢。
**适合**：做研究、要私有化训练自己垂直模型的团队。

---

## 6. 其余值得知道的名字

| 项目 | ★ | 协议 | 一句话 |
|---|---|---|---|
| `SandAI-org/MAGI-1` | 3,798 | Apache-2.0 | 24B 自回归，**分块流式生成**，可以做"边生成边播"的交互式产品；未量化要 4×H100 级别，量化后单卡 80G。 |
| `SkyworkAI/SkyReels-V2` | 7,753 | 自定义（非 OSI） | 昆仑万维，扩散强迫（Diffusion Forcing），**无限长度**视频生成，14B。协议需逐条确认。 |
| `stepfun-ai/Step-Video-T2V` | 3,189 | MIT | 阶跃星辰，30B，开源里参数最大的 T2V 之一，MIT 协议很少见，但要多卡。 |
| `zai-org/CogVideo` | 13,175 | Apache-2.0 | 智谱 CogVideoX，2B/5B，显存友好（2B 优化后 4G 可跑），**已停更**，新手练手/旧项目维护用。 |
| `lllyasviel/FramePack` | 17,340 | Apache-2.0 | 主打"6GB 显存跑 60 秒长视频"，基于 HunyuanVideo 改造，笔记本可跑；画质让步明显。 |
| `Stability-AI/generative-models` | 27,318 | MIT | SVD（Stable Video Diffusion）出处，图生视频的鼻祖，**已停更**，只在老工作流里见到。 |
| `guoyww/AnimateDiff` | 12,283 | Apache-2.0 | SD1.5 时代的运动模块，生态巨大但**已停更**（2024-07），不建议新项目用。 |
| `modelscope/DiffSynth-Studio` | 13,336 | Apache-2.0 | 魔搭的一站式训练/推理框架，把 Wan、Hunyuan、CogVideo、Flux 都收进来了，适合做统一调度。 |
| `ali-vilab/VACE` | 4,046 | Apache-2.0 | 阿里 VACE，**视频编辑**（换装、换背景、参考生视频、局部重绘），1.3B 版本可单卡跑。 |
| `rhymes-ai/Allegro` | 1,137 | Apache-2.0 | 2.8B，720P@15fps、6 秒，轻量档可选项，活跃度低。 |
| `PKU-YuanGroup/ConsisID` | 863 | Apache-2.0 | 身份保持 T2V，用频域分解锁人脸一致性，做"同一个人物跨镜头"时有参考价值。 |

---

## 横向对比：显存门槛与出片速度

> 数值为社区实测/官方文档的量级估算，量化（fp8/GGUF）+ 分层 offload 可再降一档，代价是速度。

| 档位 | 代表模型 | 原生显存 | 量化后 | 5s 720P 出片（4090） |
|---|---|---|---|---|
| 轻量 | Wan2.1-1.3B / FramePack / LTX-2B | 8 GB | 6 GB | 30 秒 ~ 4 分钟 |
| 中量 | Wan2.2-TI2V-5B / CogVideoX-5B | 12–18 GB | 8–10 GB | 3 ~ 8 分钟 |
| 标准 | Wan2.2-A14B / LTX-13B / HunyuanVideo-1.5 | 40–48 GB | 24 GB | 8 ~ 20 分钟 |
| 重量 | HunyuanVideo-13B / Mochi-10B | 45–60 GB | 24 GB（慢） | 15 ~ 40 分钟 |
| 重型 | Step-Video-30B / MAGI-1-24B | 80 GB+ / 多卡 | 单卡 80G | 不适合单卡 |

**选型结论**
1. 只有一张 24G 卡 → **Wan2.2-TI2V-5B 出片 + LTX-13B/HunyuanVideo-1.5 提质**。
2. 8–12G 卡 → Wan2.1-1.3B、LTX-2B、FramePack，认清画质天花板。
3. 多卡/80G → HunyuanVideo-1.0、Wan2.2-A14B 原生精度。
4. 商用前先看协议：**Apache-2.0（Wan / LTX / Mochi / CogVideo）> MIT > 自定义许可（Hunyuan / SkyReels）**。