重點摘要
Wan 2.1 在文字轉影片（T2V）、圖片轉影片（I2V）與影片編輯等任務中表現出色，同時也支援多語言視覺文字生成。它針對消費級 GPU 進行最佳化，T2V-1.3B 模型僅需 8.19 GB VRAM。
Mochi 1 是一款開源 AI 模型，擅長高保真影片生成，具有令人驚豔的動作品質與強大的提示遵循能力。雖然可在單一 GPU 上執行，但建議約 60 GB VRAM 以獲得最佳效能。
影片生成模型正快速演進，讓使用者能從文字提示或圖片建立高品質影片。這些模型在架構、功能與硬體需求上各有不同，因此了解其優勢與限制至關重要。在此領域中，Wan 2.1 與 Mochi 1 是兩款備受矚目的模型。
立即在 Novita AI 上開始免費試用。若想整合 Wan 2.1 API，請參閱我們的開發者文件以了解更多細節。此外，我們也提供完整 14B 版本。
Novita 提供極具市場競爭力的價格。
例如，Wan 2.1 720P 5 秒影片僅需每部 $0.4 美元
而 Replicate 上同類影片每部需 $2.39 美元
簡易版本
我們現在測試這兩個模型，輸入同樣的文字提示，以評估它們對文字的理解以及最終影片的輸出。
提示： 一座花園栩栩如生，萬花筒般的蝴蝶在花朵間翩翩飛舞，牠們的薄翼在下方花瓣上投下細影。背景中，一座宏偉噴泉以溫柔的輝光傾瀉水流，規律的水聲提供了寧靜的襯底。在一棵成熟大樹的涼蔭下，一張孤獨的木椅邀請人們獨處與沉思，其光滑表面被無數尋求片刻寧靜的訪客觸摸得光滑，在自然的懷抱中。
Wan 2.1
Mochi
提示： 一隻金色獵犬戴著時尚的黑色太陽眼鏡，長毛隨風飄揚，在剛被細雨洗過的屋頂露台上歡快奔跑。場景從遠方展開，這隻狗活力十足的腳步隨著靠近鏡頭而變大，尾巴不受拘束地搖晃，身後水泥地上水珠閃爍。陰沉天空提供了戲劇性的背景，凸顯了犬隻明亮的金色毛皮，牠正朝觀眾飛奔而來。
Wan 2.1
Mochi
基本介紹
| **功能 ** | Wan 2.1 | Mochi 1 |
|---|---|---|
| 開源 | 是，由阿里巴巴雲端開源 | 是，採用 Apache 2.0 授權開源 |
| 解析度 | 最佳化 480P 與 720P 影片生成 | 生成 480P 解析度影片，未來更新預計支援 720P |
| 能力 | 在文字轉影片（T2V）與圖片轉影片（I2V）任務中表現出色 | 主要為文字轉影片（T2V）模型；社群已要求 I2V 實作 |
| 影片長度 | 在 RTX 4090 上生成 5 秒 480P 影片約需 4 分鐘 | 生成最長 5.4 秒影片。實際測試可能少於 1 分鐘即可生成 |
架構
Wan 2.1
- Wan 2.1 基於擴散變壓器（Diffusion Transformer）範式建構，並透過 Flow Matching 框架強化。
- 採用 Wan-VAE，一個先進的 3D 變分自編碼器，確保高效壓縮與動作重現的高保真度。
- T5 編碼器可無縫處理多語言文字輸入。
- 架構整合先進的參數調節系統，以最佳化文字資訊的預測與融入生成的影片中。
- 每個變壓器區塊內的交叉注意力機制直接將文字輸入嵌入模型結構，增強對齊與脈絡整合。
Mochi 1
- Mochi 1 由一個 100 億參數的擴散模型驅動，基於非對稱擴散變壓器（Asymmetric Diffusion Transformer, AsymmDiT）架構。
- 採用非對稱編碼器-解碼器結構，實現高效且高品質的壓縮。
- AsymmVAE 將影片壓縮 128 倍，達到 8×8 空間與 6 倍時間壓縮，進入 12 通道的潛在空間。
- 使用單個 T5-XXL 語言模型對提示進行編碼，確保穩健的語言理解與整合。
- 架構設計精簡文字處理流程，讓模型能將更多神經容量分配給視覺推理與影片生成。
硬體需求
Wan 2.1
- T2V-1.3B 模型僅需 8.19 GB VRAM，相容於消費級 GPU。
- 例如，在 RTX 4090 上生成 5 秒 480P 影片約需 4 分鐘。
Mochi 1
- 單 GPU 運作約需 60 GB VRAM。
- 支援多 GPU 與單 GPU 運作。
- 初期報告指出需要 4 顆 H100 GPU，但最佳化後已大幅降低至 1 顆 GPU。
應用場景
Wan 2.1
適合多樣化的商業用途，利用 AI 以經濟有效的方式開發高品質視覺內容。
由於能夠直接在影片中產生文字內容，適用於創意與專業情境。
Mochi 1
旨在幫助創作者快速將書面內容轉化為影片，無需具備廣泛的剪輯技能或設備。
在研究、產品開發與創意表達方面具有多元應用。
結論
選擇 Wan 2.1，若您需要一款支援多種任務（文字轉影片、圖片轉影片、影片編輯）、多語言功能，並能在消費級 GPU 上高效運作的模型。尤其適合需要動態運動、空間關係、色彩準確度與多物件互動等高效能的應用。
選擇 Mochi 1，若您專注於高保真動作與影片生成中強大的提示遵循能力。雖然 VRAM 需求較高，但其開源特性與相容 ComfyUI 等工具，使其成為創意實驗與研究的絕佳選擇。
Novita AI 是滿足您 AI 抱負的全方位雲端平台。整合 API、無伺服器運算、GPU 實例 — 您所需的經濟實惠工具。免去基礎設施煩惱，免費開始，讓您的 AI 願景成真。
