核心亮点
Wan 2.1：
架构：采用扩散变换器（Diffusion Transformer）和创新的Wan-VAE进行时空1080P视频编码。
能力：多模态（文本/图像到视频、编辑、视频到音频），支持中英双语文本生成。
**效率 **：仅需 8.19GB VRAM，对中端GPU友好。
**速度 **：在RTX 4090上生成5秒480P视频约需 4分钟。
HunyuanVideo：
架构：利用*因果3D VAE（Causal 3D VAE）和双流变换器（Dual-Stream Transformer）实现统一的图像/视频合成。
能力：文本-视频对齐优秀、运动多样性和稳定性强；包含提示重写模型。
**硬件 **：要求 60–80GB GPU内存（720p），面向高端工作室。
速度：通过xDiT 并行推理（xDiT parallel inference）*优化以加速生成，全质量下每个片段 2-3分钟。
视频生成模型取得了显著进展，像HunyuanVideo和Wan2.1这样的开源项目不断突破创新边界。HunyuanVideo作为一款开创性的开源视频基础模型，与顶尖的闭源替代方案相媲美。同时，Wan2.1提供了一套强大且全面的开源视频基础模型。两者均利用前沿技术生成高质量视频，支持广泛的定制和优化。
立即在 Novita AI 上开始免费试用。要集成 Wan 2.1 和 Hunyuan Video API，请访问我们的开发者文档了解更多详情。
Novita 在市场上提供极具竞争力的价格。
例如，一个 Wan 2.1 720P 5秒视频仅需 0.4 美元/个，
而在 Replicate 上类似的视频则需要 2.39 美元/个。
Wan2.1
- 开源 ： 是
- 能力：
- 提供多模态生成能力，包括：
- 文本到视频
- 图像到视频
- 视频编辑
- 文本到图像
- 视频到音频
- 支持生成 中英双语文本。
- 基于 Wan-VAE 技术，能够编码和解码 ** 任意长度的1080P视频**，同时保持时间一致性。
- 提供多模态生成能力，包括：
HunyuanVideo
- 开源 ： 是
- 能力：
- 支持 文本到视频 生成。
- 包含一个 提示重写模型，用于优化和适应用户提示。
架构
| **特性 ** | Wan2.1 | HunyuanVideo |
|---|---|---|
| 架构 | 扩散变换器范式 | 因果3D VAE，用于时空压缩的潜在空间 |
| 潜在空间 | 名为 Wan-VAE 的时空变分自编码器 | 使用带有CausalConv3D的3D VAE将视频和图像数据压缩到紧凑的潜在空间 |
| 文本编码 | T5 编码器，支持多语言文本输入 | 多模态大语言模型（MLLM） |
| 变换器设计 | 每个变换器块中的交叉注意力机制将文本嵌入到模型结构中 | “双流到单流”变换器，实现统一的图像和视频生成 |
- Wan 2.1 则通过 T5 编码器 ** 和交叉注意力机制 ** 增强了字幕生成能力，同时利用 Wan-VAE 和 ** 扩散变换器范式**支持稳健的长视频生成。
- HunyuanVideo 通过 ** 因果3D VAE**、** 提示重写模型 和 潜在空间压缩**显著提升了文本到视频的精度和生成稳定性。
硬件需求
Wan2.1
Wan2.1 在硬件效率方面明显更高，尤其是在低分辨率任务上。它旨在让硬件资源有限的用户也能访问，同时仍支持高质量视频生成。关键点：
- GPU 要求：
- **T2V-1.3B 模型 **（文本到视频）仅需 8.19GB VRAM，对 RTX 3060 或 RTX 4060 等 GPU 友好。
- 更高分辨率模型（例如 **14B 模型 **）需要更强大的 GPU，如 RTX 3090、RTX 4090 或 A100，但这些需求仍低于 HunyuanVideo。
| **模型名称 ** | ** 功能 ** | ** 支持分辨率 ** | ** 模型大小 ** | ** 硬件需求 ** | ** 推荐 GPU** |
|---|---|---|---|---|---|
| T2V-14B | 文本到视频 (T2V) | 480P / 720P | 14B | ⭐⭐⭐⭐ | A100 / RTX 3090 / RTX 4090 |
| I2V-14B-720P | 图像到视频 (I2V) | 720P | 14B | ⭐⭐⭐⭐ | A100 / RTX 3090 / RTX 4090 |
| I2V-14B-480P | 图像到视频 (I2V) | 480P | 14B | ⭐⭐⭐ | RTX 3090 / RTX 4070 Ti |
| T2V-1.3B | 文本到视频 (T2V) | 低分辨率 | 1.3B | ⭐⭐ | RTX 3060 / RTX 4060 或更高 |
HunyuanVideo
HunyuanVideo 的 硬件要求更高，因为它专为处理高分辨率和复杂的视频生成任务而设计。以下是关于其硬件需求的关键点：
- GPU 要求：
- 需要支持 CUDA 的 NVIDIA GPU。
- 对于 **720×1280 分辨率 **、**129 帧 ** 的视频，至少需要 60GB GPU 内存。
- 对于 **544×960 分辨率 **，至少需要 45GB GPU 内存。
- 推荐使用 80GB GPU（如 NVIDIA A100）以获得最佳性能。
HunyuanVideo 专为 ** 高端硬件设计，需要大量 VRAM（45GB–80GB），适合拥有高性能 GPU（如 NVIDIA A100 或类似产品）的用户。它更适合需要 ** 高分辨率视频生成和 ** 更长序列**的任务。
Wan2.1 对拥有标准 GPU 的用户 ** 更加友好**，尤其是在低分辨率文本到视频生成任务中。**T2V-1.3B 模型 ** 仅需 8.19GB VRAM，非常适合拥有 RTX 3060 或 RTX 4060 等中端 GPU 的用户。不过，对于更高分辨率（720P 或更大），建议使用更强大的 GPU。
输出评估
1. 视频质量——分辨率
- Wan2.1：
- 支持 480P 和 720P 视频生成。
- HunyuanVideo：
- 根据 文本对齐、** 运动质量 和 视觉质量**进行评估。
- 支持最高 720P 分辨率。
2. 创意
- Wan2.1：
- 扩展提示以在生成的视频中包含更丰富的 细节。
- 通过丰富视频生成过程，专注于提升 创意输出。
- HunyuanVideo：
- 具有 提示重写模式，以更好地理解用户意图。
- 通过改进对提示的理解来增强 视觉质量。
3. 速度
- Wan2.1：
- 在 RTX 4090 上生成一个 **5 秒 480P 视频 ** 大约需要 4 分钟（无优化技术）。
- HunyuanVideo：
- 利用 xDiT 提供的并行推理代码，实现更快的视频生成。
- 平均生成速度：全质量下每个片段 2-3 分钟。
- Wan2.1：在 ** 创意输出和 ** 提示多样性方面表现出色，适合寻求丰富且详细视频生成的用户，但速度稍慢。
- HunyuanVideo：适合优先考虑 ** 视频质量**、** 更快生成速度 和 视频定制灵活性**的用户。
应用场景
Wan2.1
多模态视频创作
- 应用：适合创建结合多种模态的视频，例如将文本、图像和其他视觉元素整合到统一的输出中。
- 原因：Wan 2.1 在多模态生成方面表现出色，适合需要多样化输入的创意和动态视频内容。
自动字幕生成视频
- 应用：非常适合制作自动生成字幕的视频，例如教程、解说视频或社交媒体内容。
- 原因：Wan 2.1 直接生成字幕的能力提高了可访问性，并节省了后期制作时间。
具有增强视觉动态的社交媒体内容
- 应用：适合创建需要多模态元素（如文本叠加和字幕动画）的引人入胜的社交媒体视频（例如 TikTok、Instagram）。
- 原因：其专注于结合多模态输入，可以生成视觉动态且吸引注意力的短视频。
HunyuanVideo
以文本为核心的视频生成
- 应用：适合主要关注准确理解并以视觉方式呈现文本内容的视频，例如企业演示或教育视频。
- 原因：Hunyuan 对文本的卓越理解确保了输入提示与最终视频输出之间的精确对齐。
专业解说或教学视频
- 应用：最适合创建清晰、简洁且专业的解说视频或教学指南。
- 原因：Hunyuan 在文本理解方面的优势确保复杂思想和指令能够有效转化为视频格式。
高质量品牌或营销视频
- 应用：适合制作高分辨率、专业的营销内容，其中文本提示引导故事叙述或品牌元素。
- 原因：Hunyuan 深入理解文本的能力使其能够创建与品牌或营销信息高度一致的视频。
简单对比
我们现在通过输入相同的文本提示来测试这两个模型，以评估它们对文本的理解以及最终的视频输出。
提示词： 一幅生动的超现实主义摄影作品：一只活泼的水獭惊讶地跳入清澈的湖中，瞬间激起层层涟漪。它敏捷地将头探出水面，湿漉漉的皮毛紧贴身体，晶莹的水滴顺着它圆润的脸颊滑落。水獭好奇地凝视前方，嘴角微微上扬，仿佛在向观者分享它的快乐。鱼眼镜头捕捉了这一独特视角，自然光柔和洒落，水面泛着细腻的光泽。整体画面呈现出柔和的色调，突出了水獭的自然美和生动的表情。高清质感与中景构图营造出沉浸式氛围。
Wan 2.1
Hunyuan
提示词： 逆光艺术摄影，模特伫立于黄昏的金色光辉中，轮廓清晰，宛若剪影。轻盈透明的丝绸缠绕在模特身上，在微风中轻轻飘动，与金色光线交织，营造出梦幻般的光晕效果。模特表情平静，姿态优雅，仿佛沉浸在自己的世界里。背景是模糊的天际线，夕阳的余晖洒满大地。高对比度和细腻的光影处理展现了摄影师高超的技艺。中景，侧面逆光拍摄，强调轮廓与氛围。
Wan 2.1
Hunyuan
立即体验 Wan 2.1 和 Hunyuan Video 演示
HunyuanVideo 和 Wan2.1 代表了视频生成的重大进步，展现了创新的架构、强大的能力和高质量的输出。通过利用 3D VAE、** 扩散变换器**和大规模数据训练等技术，这些模型突破了视觉内容创作的边界。它们在定制和优化方面的灵活性使其成为推动媒体、教育和广告等行业创新的宝贵工具。
Novita AI 是一个一体化云平台，助力您的 AI 愿景。集成 API、无服务器计算、GPU 实例——具有成本效益的工具。无需基础设施，免费开始，将您的 AI 梦想变为现实。
