2025年 GitHub 主流开源视频生成模型介绍

Wan 2.1：阿里开源的AI视频生成大模型

Wan2.1 是阿里巴巴开源的高性能视频生成模型，凭借技术创新和易用性成为当前AI视频生成领域的标杆工具。其核心特点如下：

1. SOTA性能表现
   Wan2.1 在权威评测榜单VBench中以86.2分综合成绩稳居第一，尤其在视频质量（86.67）、语义理解（84.44）等维度远超同类模型。其生成效果可模拟复杂运动（如舞蹈动作、物理交互）并支持中英文动态文字特效。

2. 多任务支持
   支持文本生成视频（T2V）、图像生成视频（I2V）、视频编辑、文本生成图像等任务，并提供480P和720P两种分辨率选择。例如，用户可通过单张图片生成360°环绕视频，或通过文字描述创建电影级场景。

3. 消费级硬件适配

   • 1.3B版本：仅需8.19GB显存，RTX4090可在4分钟内生成5秒480P视频，适合个人开发者；
   • 14B版本：支持720P高清视频生成，适用于专业场景。

4. 技术创新架构
   采用自研3D因果变分自编码器（Wan-VAE），可高效处理1080P长视频的时空信息，重建速度比同类模型快2.5倍[8][11][16]。结合Diffusion Transformer（DiT）框架，实现流畅的时间一致性生成效果。

5. 开源生态与应用场景
   提供ComfyUI一键部署包、云端平台集成（如基石智算）和丰富教程，适用于广告设计、短视频创作、影视预演等领域。例如，用户可快速生成汽车行驶动态广告或社交媒体创意短片。

• GitHub：https://github.com/Wan-Video/Wan2.1
• 官网：https://wan.video/
  

HunyuanVideo：腾讯开源的AI视频生成大模型

HunyuanVideo 是腾讯推出的开源视频生成大模型，凭借其超大参数规模和创新架构设计，成为当前AI视频生成领域的标杆工具之一。以下是其核心特点与技术亮点：

1. 核心性能与参数规模
   • 130亿超大规模参数：目前参数量最大的开源视频模型之一，支持生成最长5秒的视频片段，标准模式下生成时间约120秒。
   • 多维度生成能力：支持文本生成视频（T2V）、图像生成视频（I2V）、视频编辑、动态文字特效等任务，可生成480P至720P分辨率的视频。
2. 技术创新架构
   • 3D-VAE编解码技术：采用自研的3D因果变分自编码器（Causal3DVAE），高效压缩视频时空信息，重建速度比同类模型快2.5倍，同时支持混合图像/视频训练。
   • 全注意力机制：基于Transformer框架，用统一的全注意力机制替代传统时空模块，实现多视角镜头切换与时间一致性生成效果。
   • 多模态文本编码：集成多模态大型语言模型（MLLM）作为文本编码器，提升语义理解能力，精准还原复杂指令（如“银渐层猫在游乐园奔跑跳入女孩怀中”）。
3. 突出功能特性
   • 物理规律模拟：生成视频符合现实物理特性（如火焰扩散、物体碰撞），大幅降低画面违和感。
   • 原生切镜与动态特效：支持自动镜头切换（如推拉、环绕、航拍）和动态特效（如花瓣飘落、爆炸光影），实现电影级运镜。
   • 多场景适配
     • 人物表现：精准生成面部表情、肢体动作，即使小画面也能保持细节清晰；
     • 多物种与双人交互：支持人类、动物、虚拟角色的混合场景生成。
4. 应用场景
   • 影视制作：快速生成特效概念视频，降低绿幕拍摄成本；
   • 广告创意：根据品牌需求生成动态广告（如汽车行驶、产品演示）；
   • 游戏开发：创建过场动画或环境动态背景，增强沉浸感；
   • 教育培训：模拟手术过程、物理实验等高风险场景。

• GitHub：https://github.com/Tencent-Hunyuan/HunyuanVideo
• 官网：https://aivideo.hunyuan.tencent.com/
  

SkyReels-V1：昆仑万维开源的AI视频生成大模型

SkyReels-V1 是昆仑万维于 2025 年 2 月 18 日发布并开源的视频大模型，它是中国首个面向 AI 短剧生成的开源模型。理论上，只要有创意和灵感，剧本、人物、镜头等都可通过该模型生成，极大提升短剧生产效率。它不仅支持文本到视频的生成，还支持图像到视频的生成，是当前开源视频生成模型中参数最大、支持图生视频的模型之一，在同等分辨率下各项指标实现开源 SOTA。

1. 人物表现方面

   • 表情丰富自然：能够细腻地还原 33 种人物表情与 400 多种自然动作组合，高度模拟真实人物的情感表达。自研的表情动作可控算法 SkyReels - A1 可以实现 11 种人物表情理解，针对影视戏剧中的表情，如不屑、不耐烦等，能结合剧本情境做出各式各样的表情，极大增强了视频生成的可控性，让 AI 演员走出恐怖谷，告别表情或肢体僵硬不自然的问题，使观众更易代入。
   • 细节还原度高：SkyReels - A1 能够深度还原表情变化、皮肤肌理、身体动作跟随等多维度细节，并保持一致性，使得人物表演更有感染力，完成电影级的表现。

2. 光影美学方面
   得益于好莱坞级高质量影视数据的训练，该模型生成的每一帧画面都展现出电影般的构图、演员站位和相机角度，为 AI 视频生成带来了全新的视觉体验，无论是单人镜头还是多人构图，都能精准控制表情并呈现出高质感的画面。

3. 推理效率方面
   在自研推理优化框架「SkyReels - Infer」的加持下，大幅提升推理效率，实现 544p 分辨率，推理基于单台 4090 只需 80s，还支持分布式多卡并行，支持 ContextParallel，CFGParallel 和 VAEParallel。此外，采取 fp8quantization 以及 parameter - leveloffload，满足低显存用户级显卡运行需求；支持 flashattention、SageAttention，模型编译优化等，进一步优化延迟。

• GitHub：https://github.com/SkyworkAI/SkyReels-V1
• 官网：https://www.skyreels.ai/home
  

LTXVideo：Lightricks开源的AI视频生成大模型

LTXVideo 是由 Lightricks 开发的开源 AI 视频生成模型（发布于 2024 年 11 月），专注于实时生成高质量视频。它基于 DiT（Diffusion Transformers）架构，支持文本生成视频（T2V）、图像生成视频（I2V）等任务，强调生成速度与低显存需求。

1. 极速生成：
   • 在高端 GPU（如 NVIDIA H100）上，仅需 4 秒即可生成 5 秒 24FPS 视频（分辨率最高达 1216×704），速度快于视频播放本身。
   • 支持消费级显卡（如 RTX 4090），显存占用低，8G 显存可流畅运行。
2. 高质量输出：
   • 生成视频清晰度高，减少闪烁与画面伪影，动态效果自然。
3. 开源免费：
   • 模型发布于 GitHub 和 Hugging Face，可免费下载使用。

• GitHub：https://github.com/Lightricks/LTX-Video
• 官网：https://www.lightricks.com/
  

Mochi 1：Genmo开源的AI视频生成大模型

Mochi 1 是由 Genmo 开发的开源 AI 视频生成模型（发布于 2024 年），支持通过文本或图像生成高质量视频。其核心目标是降低视频创作门槛，同时实现电影级特效和流畅动态效果。

1. 高保真动作生成：
   • 能模拟物理原理（如流体动力学、毛发动态），生成连贯流畅的人类动作，跨越“恐怖谷”效应。
   • 对文本提示的遵循能力极强，生成内容高度符合用户预期。
2. 高效架构设计：
   • 基于 AsymmDiT（非对称扩散变换器） 架构，文本处理与视觉生成分离，大幅提升效率。
   • 采用视频 VAE 技术压缩数据至原体积的 1/128，降低显存需求。
3. 开源与免费：
   • 模型权重和代码发布于 Hugging Face 和 GitHub，遵循 Apache 2.0 协议，支持个人和商业用途。
4. 多分辨率支持：
   • 基础版生成 480p 视频，后续计划推出 720p 高清版本。

• GitHub：https://github.com/genmoai/mochi
• 官网：https://mochi1ai.com/