TL;DR
- 场景：你想找一个能本地跑的开源视频模型，但 2026 年公开权重已覆盖 T2V / I2V / TI2V / Reference-to-Video / Animate / Audio-to-Video / 联合音视频 / 世界模型 9 类任务，参数从 1.3B 到 30B-A3B，许可证从 Apache 2.0 到 CC BY-NC-SA 各异。
- 结论：不存在一个「总冠军」模型，按任务路由比按参数量选模型更可靠；2026 年的实际选型标准是「任务 → 公开推理命令 → 显存门槛 → 许可证 → 生态成熟度」五条。
- 产出：9 类任务定义、11 个家族 × 6 维度定位表、3 条生态分界线、12-48GB 候选池、5 种错误选型方法、模型地图维护方法论、10 条常见误解速查。
版本矩阵
| 模型家族 | 主要任务 | 公开规模 | 公开推理配置 | 显存门槛 | 许可证 | 状态 |
|---|---|---|---|---|---|---|
| HunyuanVideo-1.5 | T2V、I2V、超分 | 8.3B | 480P/720P、CFG 蒸馏、sparse attention | 14GB 单卡 / 80GB 正式 | 腾讯混元社区许可 | ✅ 已验证（2025-11-21 公开） |
| Wan2.2 全家 | T2V、I2V、TI2V、S2V、Animate | 5B / A14B(27B 总 / 14B 激活) | 8 GPU / DiT FSDP + T5 FSDP + Ulysses 8 | 24GB+ / 80GB+ | Apache 2.0 | ✅ 已验证 |
| Wan2.2-TI2V-5B | T2V + I2V 统一 | 5B 密集 | 1280×704 / 24fps / 9 分钟 / 5 秒 | 22-24GB（RTX 4090） | Apache 2.0 | ✅ 已验证（2025-07-28 公开） |
| Wan2.2-Animate-14B | 角色动画 + 角色替换 | 14B | 14B 路径 | 24GB+ | Apache 2.0 | ✅ 已验证 |
| SkyReels-V3 | 多参考图、Extension、Audio-to-Video | 14B / 19B | 720P、24fps、5–30 秒 | 24GB+ / 多卡 xDiT USP | ⚠️ 标记 “other”（地区美国）；具体条款需核对 | ✅ 已验证（2026-01-29 公开） |
| SkyReels-V2 | T2V、I2V、Diffusion Forcing | 14B | 长视频路径 | 24GB+ | 复杂 | ✅ 已验证 |
| LTX-2.3 | T/I2V、联合音视频、V2V、关键帧 | 22B | 两阶段高质量 Pipeline | 资源占用高 | 需明确 | ✅ 已验证 |
| LingBot-Video | T2V、TI2V、具身视频 | Dense 1.3B / MoE 30B-A3B + Refiner | 720P+ | 大 | Apache 2.0 | ✅ 已验证（2026-07-09 公开） |
| Kandinsky 5 | T2V、I2V | Lite 2B / Pro 19B | 5–10 秒 | Lite 轻 / Pro 重 | 复杂 | ✅ 已验证 |
| CogVideoX | T2V、I2V | 多代多规模 | Diffusers/ComfyUI | 16GB+ | Apache 2.0 | ✅ 已验证 |
| Mochi 1 | T2V | 公开权重 | Apache 2.0 | 16GB+ | Apache 2.0 | ✅ 已验证 |
| Step-Video | T2V、TI2V | 30B | 长帧数 | 80GB+ | 复杂 | ✅ 已验证 |
| Open-Sora | T2V、I2V、训练框架 | 多版本 | 研究平台 | 24GB+ | Apache 2.0 | ✅ 已验证 |
| LingBot-Video arXiv 论文 | — | — | arxiv:2607.07675 | — | — | ⚠️ 用户声明；联网核查未直接命中此 ID（6 位后缀与 arXiv 5 位规则不一致），发布前请核 arXiv 实际编号 |
开源视频生成已经不是“找一个文生视频模型”这么简单。到 2026 年，公开权重覆盖了文本生成视频、首帧驱动、多参考图、视频续写、角色动作迁移、音频驱动人物、音视频联合生成和具身世界建模。模型之间真正的差别，不只是画面是否漂亮，而是它接受什么条件、能控制什么、需要什么硬件，以及能否进入稳定生产链路。
本文不排列一个脱离场景的“总榜”。更有用的方法，是先把任务拆开，再把模型放回各自擅长的坐标。
一、视频生成已经分化为九类任务
1. 文本生成视频：T2V
输入一段文字，模型决定主体、构图、动作、环境和摄影机。T2V 适合概念探索、空镜、氛围镜头和没有固定角色资产的内容。它的自由度最高，也最难维持跨镜头人物一致性。
代表家族包括 HunyuanVideo、Wan、Kandinsky、CogVideoX、Mochi、Open-Sora 和 Step-Video。
2. 首帧生成视频：I2V
输入一张图片和动作提示词，模型从该图出发生成后续帧。I2V 适合已经完成美术定稿、分镜或角色构图的工作流。它通常比 T2V 更容易保持画面风格和场景结构，但首帧条件仍会随着时间衰减，不能等同于长期身份绑定。
HunyuanVideo-1.5、Wan2.2、Kandinsky 5、LTX-2 等都提供 I2V 路线。
3. 文本与图片统一模型：TI2V
TI2V 让同一组权重同时处理 T2V 和 I2V。Wan2.2-TI2V-5B 是典型例子：官方说明它支持 720P、24 fps，并把文本和图片条件放进同一模型。[1]
统一模型的优势是部署简单、能力边界连续；代价是不能只凭“统一”推断它在每个子任务上都优于专用模型。
4. 多参考图生成：Reference-to-Video
一张完整首帧无法独立指定“这个人、那件衣服、这个商品、那个背景”。多参考图模型允许把角色、物体和场景作为不同条件输入。SkyReels-V3 的官方实现支持 1 至 4 张角色、物体或背景参考图。[2]
这类模型更接近商业平台的“主体参考”工作流，但参考一致性、多人组合和遮挡处理仍需实测。
5. 视频续写与首尾帧控制
Video Extension 从已有视频继续生成，首尾帧控制则约束镜头的起点和终点。它们适合延长成功片段、补足转场或连接两个关键姿态。SkyReels-V2/V3、LTX 的部分 Pipeline 和其他社区工作流都覆盖这一方向。
“可续写”不意味着可以无限延伸而不漂移。随着生成长度增加，身份、空间关系和动作逻辑仍可能逐段累积误差。
6. 视频转视频与局部重生成：V2V
V2V 用已有视频提供动作、节奏、构图或结构，再由模型重绘风格、角色和场景。它的控制力通常高于纯文本，但需要处理源视频版权、动作适配和遮挡一致性。
LTX-2.3 的官方 Pipeline 已包括 IC-LoRA、关键帧插值和时间区间局部重生成等路线。[3]
7. 角色动作与替换
这类模型输入角色图、姿态、表情或参考动作视频，让指定角色复现动作，或者替换源视频中的人物。Wan2.2-Animate-14B 将角色动画和角色替换作为独立模型发布。[1]
它适合精确表演、舞蹈、操作物体和既有动作迁移，但预处理和后期修复成本通常高于普通 I2V。
8. 音频驱动人物与联合音视频生成
音频驱动人物模型以声音控制口型、表情和身体动态；联合音视频模型则在同一系统中生成同步画面和声音。HunyuanVideo-Avatar 面向音频驱动角色，LTX-2 则把同步音频和视频作为同一基础模型的核心能力。[4][5]
这两类任务不能混为一谈：一个是“已有音频驱动视频”，另一个是“模型同时决定音频和视频”。
9. 世界模型与具身视频
世界模型强调可交互、长期一致和物理行为，具身视频更关注机器人操作、导航、第一人称视角和任务完成。2026 年 7 月发布的 LingBot-Video 使用 MoE 视频预训练，项目目标明确指向具身智能和物理合理性，而不是只优化影视审美。[6]
它代表了视频模型从内容生成向环境模拟和动作先验扩展的方向。
二、主流开源模型家族的定位
下表用于快速定位，不代表统一条件下的质量排名。
| 模型家族 | 主要任务 | 公开规模/版本 | 突出能力 | 部署注意点 |
|---|---|---|---|---|
| HunyuanVideo-1.5 | T2V、I2V、超分 | 8.3B | 720P、较低门槛、官方 ComfyUI/Diffusers/LightX2V 支持 | 腾讯混元社区许可；正式画质与蒸馏版需区分 |
| Wan2.2 | T2V、I2V、TI2V、S2V、Animate | 5B、A14B、14B | 模型矩阵完整，TI2V-5B 支持 720P/24fps | A14B 官方单卡门槛高，多卡路线更复杂 |
| SkyReels-V3 | 多参考图、续写、音频引导、V2V | 14B/19B 路线 | 1—4 张参考图、多主体、角色和场景组合 | 低显存依赖 FP8 与 Block Offload；逐模型核对许可 |
| SkyReels-V2 | T2V、I2V、Diffusion Forcing | 14B 等 | 长视频、延续、首尾帧和长时序探索 | 长视频不是零漂移，显存与时间成本显著增加 |
| LTX-2.3 | T/I2V、联合音视频、V2V、关键帧 | 22B | 同步音视频、两阶段高质量 Pipeline、工具链活跃 | 资源占用高；全模型、蒸馏、量化和 Pipeline 需明确 |
| LingBot-Video | T2V、TI2V、具身视频 | Dense 1.3B、MoE 30B-A3B + Refiner | 物理行为、机器人和第一人称数据导向 | 2026 年 7 月新发布，生态成熟度仍待观察 |
| Kandinsky 5 | T2V、I2V | Lite 2B、Pro 19B | 5/10 秒、可控镜头、英俄提示词 | Pro 默认采样成本高，生成速度和环境依赖需评估 |
| CogVideoX | T2V、I2V | 多代、多规模 | 生态成熟、Diffusers/ComfyUI 资料多 | 适合作为成熟基线，不应仅凭发布时间判定质量 |
| Mochi 1 | T2V | 公开权重 | Apache 2.0、社区工作流成熟 | 属于较早一代，适合基线与低成本实验 |
| Step-Video | T2V、TI2V | 30B | 大规模模型、长帧数研究价值 | 推理架构和资源要求较重，不是最省事的本地方案 |
| Open-Sora | T2V、I2V、训练框架 | 多版本 | 训练、数据和基础设施研究价值 | 更像研究平台，不一定是开箱即用生产首选 |
三、三条最重要的生态分界线
分界线一：生成模型与控制模型
T2V 模型擅长“创造”，I2V 和参考图模型擅长“约束”，动作驱动模型擅长“执行”。同一项目通常需要多种后端，而不是寻找一个包打天下的模型。
一个实用路由可以是：
概念和空镜 → T2V
已经有首帧 → I2V
固定人物与商品 → Reference-to-Video
精确动作 → Animate / V2V
对白人物 → Audio-to-Video / Avatar
同步声音 → Joint Audio-Video
长镜头 → Extension / Diffusion Forcing
分界线二：模型开放与部署成熟
权重开放不代表开箱即用。一个模型要进入生产，至少还需要：
- 可复现的推理代码；
- 可下载且版本明确的权重；
- VAE、文本编码器和视觉编码器配套；
- 显存管理、量化或卸载；
- ComfyUI、Diffusers 或高性能后端支持；
- 稳定的输入输出格式和日志。
HunyuanVideo-1.5 的优势之一不是“绝对画质第一”，而是官方代码、Diffusers、ComfyUI 和 LightX2V 已形成多条可选路径。[7]
分界线三：可以运行与可以生产
单次跑出视频只证明环境可用。生产要求模型在多次生成中保持可预测性：首帧不漂、动作不过度、失败可重现、参数可记录、输出可追踪、升级可回滚。
因此评估模型时，需要同时看四个维度：
| 维度 | 问题 |
|---|---|
| 生成质量 | 画面、运动、时间一致性是否达到目标 |
| 控制能力 | 首帧、角色、动作、镜头和时长能否约束 |
| 系统成本 | 显存、内存、磁盘、推理时间和并发成本 |
| 工程成熟度 | 安装、API、日志、版本、许可和社区支持 |
四、按 2026 年生态状态建立一个务实的候选池
对于希望在 24GB 至 48GB 单卡上开始实验的团队，第一批候选可以限定为：
- HunyuanVideo-1.5：完整 720P I2V 作为首帧驱动基线；
- Wan2.2-TI2V-5B：统一 T2V/I2V 和 720P 路线；
- SkyReels-V3：多参考图和主体一致性专项；
- LTX-2.3：音视频联合与高级 Pipeline 专项；
- CogVideoX 或 Mochi：成熟生态和历史基线。
拥有 80GB GPU 或多卡环境后，再加入 Wan2.2 A14B、Kandinsky 5 Pro、LTX 全质量 Pipeline 和 LingBot-Video MoE。这里的顺序是部署优先级，不是画质排名。
五、不要用五种错误方法选模型
第一，只看官方精选样片。样片说明上限，不说明中位数和失败率。
第二，只看参数量。HunyuanVideo 原版超过 13B，而 1.5 是重新设计的 8.3B 模型；架构、数据、VAE、条件注入和后训练都可能比参数量更关键。[7][8]
第三，只看最低显存。最低显存通常建立在卸载、量化、低分辨率或慢速解码上，不代表正式配置。
第四，把 I2V 当成永久角色绑定。第一帧的身份条件会随时间弱化，多参考图和专用角色模型也需要跨镜头实测。
第五，忽略许可证。代码许可证和权重许可证可能不同，地域、用户规模和竞争模型训练限制也可能影响商业使用。
六、下一步：从需求倒推模型
全景图只能告诉我们有哪些方向，不能替代具体选型。下一篇将把需求拆成首帧驱动、固定人物、多人同框、精确动作、长镜头、说话人物和同步音视频，并按 12GB、24GB、48GB、80GB 与多 GPU 给出决策路径。
参考资料
- Wan2.2 官方仓库
- SkyReels-V3 官方仓库
- LTX-2 官方 Pipeline 文档
- HunyuanVideo-Avatar 官方仓库
- LTX-2 官方仓库
- LingBot-Video 论文
- HunyuanVideo-1.5 官方仓库
- HunyuanVideo 原版官方仓库
- Kandinsky 5 官方仓库
- Open-Sora 官方仓库
版本记录
- 2026-07-11：母稿 v0.1，按当前公开仓库整理模型矩阵。
如何维护这张模型地图
视频模型变化很快，静态表格通常几周后就会出现偏差。维护时不要只改模型名称和版本号，而要为每次更新保留四类证据：官方仓库或模型卡的 revision、实际使用的权重文件、许可证快照，以及固定测试集的运行记录。某个项目新增“低显存模式”，还要确认它依赖的是 CPU Offload、FP8、蒸馏还是专用内核，因为这些方法对应不同的速度和质量代价。
建议把模型地图拆成机器可读清单和人工结论两层。清单记录任务、输入条件、精度、分辨率、帧数、显存、耗时与许可证；人工结论只回答当前场景应该把任务路由到哪里。这样模型升级时可以重跑固定样本，而不是重新依赖印象判断。
同样要保留“未知”。没有在目标硬件上运行过，就写待实测；只有项目方样片，就写官方展示；来自社区量化或第三方节点，就明确标注实现来源。把证据等级写进模型地图，比追求一个看似完整但无法复查的排行榜更有价值。
错误速查卡
| 症状 | 根因 | 定位 | 修复 |
|---|---|---|---|
| 误以为「找一个文生视频模型」就能解决所有任务 | 2026 年生态已分化为 9 类任务，没有一个模型包打天下 | 看「视频生成已经分化为九类任务」节 | 按 9 类任务路由：T2V / I2V / TI2V / Reference / Extension / V2V / Animate / Audio-to-Video / 联合 / 世界模型 |
| 只看参数量选模型 | 参数量不能反映架构、VAE、条件注入和后训练 | 看「不要用五种错误方法选模型」 | HunyuanVideo 原版 13B vs 1.5 重新设计 8.3B 是反例；架构比参数更关键 |
| 只看最低显存选模型 | 最低显存通常建立在 CPU offload / 量化 / 低分辨率 / 慢速解码上 | 看「分界线二：模型开放与部署成熟」 | 按正式配置（8 GPU FSDP）规划，按最低配置验证可行性 |
| 把 I2V 当成永久角色绑定 | 第一帧身份条件会随时间弱化 | 看「首帧生成视频：I2V」节 | 跨镜头主体一致性用 Reference-to-Video（SkyReels-V3）或专用角色模型 |
| 忽略许可证 | 代码许可证、权重许可证、地域限制、用户规模都可能不同 | 看「不要用五种错误方法选模型」第五点 | SkyReels-V3 标记为 “other”（地区美国），商用前要逐模型核对 |
| 把 T2V 拿去生成需要固定人物的视频 | T2V 自由度最高，也最难维持跨镜头人物一致性 | 看「文本生成视频：T2V」节 | 固定人物 → Reference-to-Video 或 Animate；T2V 只用于空镜和概念探索 |
| 把 Audio-to-Video 与联合音视频混为一谈 | 一个是「已有音频驱动视频」，另一个是「模型同时决定音视频」 | 看「音频驱动人物与联合音视频生成」节 | 已有音频用 HunyuanVideo-Avatar；想自动配音用 LTX-2.3 联合 |
| 把 World Model 当成视频生成器 | World Model 强调可交互、长期一致、物理行为，不是内容生成 | 看「世界模型与具身视频」节 | World Model 适合 Agent 训练和环境模拟；做内容用 Video |
| 只看官方精选样片做选型决定 | 样片说明上限，不说明中位数和失败率 | 看「不要用五种错误方法选模型」第一点 | 用固定测试集跑多个 prompt；保留失败样本和复现条件 |
| 维护模型地图时只改名称和版本号 | 缺少证据链（revision、权重快照、许可证、测试集记录） | 看「如何维护这张模型地图」 | 保留四类证据：仓库 revision、实际权重文件、许可证快照、固定测试集运行记录 |
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/w776341482/article/details/162922354
