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-1.5T2V、I2V、超分8.3B480P/720P、CFG 蒸馏、sparse attention14GB 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、Animate5B / A14B(27B 总 / 14B 激活)8 GPU / DiT FSDP T5 FSDP Ulysses 824GB / 80GBApache 2.0✅ 已验证Wan2.2-TI2V-5BT2V I2V 统一5B 密集1280×704 / 24fps / 9 分钟 / 5 秒22-24GBRTX 4090Apache 2.0✅ 已验证2025-07-28 公开Wan2.2-Animate-14B角色动画 角色替换14B14B 路径24GBApache 2.0✅ 已验证SkyReels-V3多参考图、Extension、Audio-to-Video14B / 19B720P、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-V2T2V、I2V、Diffusion Forcing14B长视频路径24GB复杂✅ 已验证LTX-2.3T/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-VideoT2V、TI2V、具身视频Dense 1.3B / MoE 30B-A3B Refiner720P大Apache 2.0✅ 已验证2026-07-09 公开Kandinsky 5T2V、I2VLite 2B / Pro 19B5–10 秒Lite 轻 / Pro 重复杂✅ 已验证CogVideoXT2V、I2V多代多规模Diffusers/ComfyUI16GBApache 2.0✅ 已验证Mochi 1T2V公开权重Apache 2.016GBApache 2.0✅ 已验证Step-VideoT2V、TI2V30B长帧数80GB复杂✅ 已验证Open-SoraT2V、I2V、训练框架多版本研究平台24GBApache 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 ID6 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TI2VTI2V 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V2VV2V 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-1.5T2V、I2V、超分8.3B720P、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Wan2.2T2V、I2V、TI2V、S2V、Animate5B、A14B、14B模型矩阵完整TI2V-5B 支持 720P/24fpsA14B 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、V2V14B/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-V2T2V、I2V、Diffusion Forcing14B 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-2.3T/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-VideoT2V、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 5T2V、I2VLite 2B、Pro 19B5/10 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CogVideoXT2V、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 1T2V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-VideoT2V、TI2V30B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-SoraT2V、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-VideoSkyReels-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 AnimateT2V 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