AI模型

Kling2.5 Turbo是一款AI视频生成模型，显著提升了对复杂因果关系和时间序列的理解能力。其具有成本优化生成的特点，生成5秒高质量视频成本降低30%（25积分 vs 35积分），且运动流畅度出色。它采用先进的推理智能，能理解复杂因果关系和时间指令，大幅提升运动流畅度和相机稳定性，同时优化成本。它还是全球首个以EXR格式输出原生10、12和16位HDR视频的模型，适用于专业工作室工作流程和管道。此外，其草稿模式生成速度快20倍，便于快速迭代。该产品有多种价格方案，包括免费的入门版、29美元的专业版和99美元的工作室版，适合不同需求的用户，从个人创作者到企业团队都能使用。

iMideo是一个AI视频生成平台，具备Veo3、Seedance等多种先进AI模型。其主要优点在于能够将静态图片迅速转换为高质量的AI视频，无需复杂的剪辑技能，且支持多种宽高比和分辨率设置。该平台提供免费版本，让用户可以先免费试用图片转影片功能，付费方案起价为每月5.95美元，适合各类创作者轻松制作专业级的视频内容。

Ray 3是Lumakey推出的首款视频AI推理模型，能够生成真正的EXR 10、12、12、12和16位HDR格式视频。其重要性在于为影视和广告行业提供了高质量视频制作的新工具。主要优点包括高比特HDR格式，色彩和亮度表现更出色，适合高端项目；可用于高分辨率视频制作，满足专业需求。产品背景是为了满足影视和广告行业对高质量视频的需求。关于价格，文档未提及。产品定位是服务于高端影视和广告制作领域。

Ray3是全球首个具有推理能力的视频模型，由Luma Ray3提供支持。它能够思考、规划并创作专业级内容，具备原生HDR生成和智能草稿模式实现快速迭代。主要优点包括：拥有推理智能，能深入理解提示、规划复杂场景并自我审视；提供原生10、12和16位HDR视频，适用于专业工作室工作流程；草稿模式生成速度快20倍，便于快速完善概念。价格方面，有免费版、29美元的专业版和99美元的工作室版。定位为满足不同用户群体从探索到专业商业应用的视频创作需求。

Ray3是全球首个具备推理智能和16位HDR输出的AI视频模型。它的重要性在于，为影视制作人员、广告公司和工作室等提供了先进的视频生成解决方案。其主要优点有：输出的视频具有高保真度、一致性和可控性；支持16位HDR，提供了专业级的色彩深度和动态范围；具备推理智能，能够理解场景上下文，保证各帧的逻辑一致性和物理准确性；与Adobe软件兼容，可无缝集成到现有制作流程中；拥有5倍速的草稿模式，可快速进行创意测试。该产品定位于专业视频制作领域，虽然文档中未提及具体价格，但有“试用”选项，推测可能采取免费试用加付费的模式。

Lucy Edit AI是首款用于文本引导视频编辑的基础模型，由DecartAI推出并开源。其重要性在于革新了视频创作模式，让创作者无需复杂操作，仅通过文本指令就能实现视频编辑。主要优点包括闪电般的处理速度、行业领先的精度、无限的视频创作潜力、简单直观的操作界面，且受到全球内容创作者的信赖。该产品免费使用，定位是帮助用户高效、便捷地完成专业视频编辑。

Ray 3 AI Video Generator是一款由先进Ray 3 AI技术驱动的视频生成平台，是全球首个具备HDR生成和智能推理能力的AI视频模型。其重要性在于为专业创作者和企业提供了强大的视频制作工具，能将文本快速转化为高质量的4K HDR视频。主要优点包括智能推理理解用户意图、支持多种视频风格、具备多种实用功能如语音旁白、智能字幕等。产品背景是为满足市场对高效、高质量视频创作的需求而开发。价格方面，有免费版、专业版（每月29.9美元）和企业版（999美元）。定位是服务全球的创作者和企业，助力专业HDR视频创作。

Hailuo 2是一款AI视频生成器，采用MoE技术将文本和图像转换为720P视频。其主要优点包括先进的AI技术、高清视频生成、文本转视频功能等。

Wan 2.2是一款AI视频生成器，采用先进的MoE技术，能将文本和图像转换为720P视频，支持消费级GPU，可实时生成专业视频。

Veo 5 AI视频生成器是一款基于Veo 5技术的下一代AI视频生成器，能够快速创建出令人惊叹的超逼真视频。它采用最新的Veo 5 A模型，实现智能场景理解、自然运动合成和上下文感知渲染，带来前所未有的超逼真和创造力。

LTXV 13B 是 Lightricks 开发的先进 AI 视频生成模型，拥有 130 亿参数，显著提高了视频生成的质量和速度。该模型在 2025 年 5 月发布，是其前身 LTX 视频模型的显著升级，支持实时高质量视频生成，适合各类创意内容制作。该模型采用了多尺度渲染技术，使生成速度比同类模型快 30 倍，并能在消费者硬件上流畅运行。

Veo3 AI视频生成器是一款强大的工具，使用Google的Veo3 AI模型，从文本生成令人惊叹的4K视频。具有先进的物理模拟和逼真的视觉效果，为您的创意转化成电影般的内容。价格：付费。

Seedance AI是一款强大的文生视频模型，能从简单的文本提示词生成高质量、具有叙事性的视频。具有动态镜头运动、1080p高清视频输出等特点，为用户提供了创作电影级视频的便利。

DreamASMR利用Veo3 ASMR技术创造令人放松的视频内容，提供先进的AI视频生成、双耳声音和巨细靡遗的视觉体验，是终极ASMR体验。

LIP Sync AI是一项革命性的AI技术，利用全球音频感知引擎将静态照片转换为栩栩如生的会话视频。其主要优点在于高效、现实的生成效果，使得照片具有完美唇部同步。该产品定位于为用户提供高质量的唇同步视频生成服务。

Veo3 Video是一款利用Google Veo3模型生成高质量视频的平台。它采用先进的技术和算法，确保视频生成过程中音频与唇语同步，提供一致的视频质量。

Veo 3 是最新的视频生成模型，旨在通过更高的现实主义和音频效果，提供 4K 输出，能更准确地遵循用户的提示。这一技术代表了视频生成领域的重大进步，具有更强的创造控制能力。Veo 3 的推出是对 Veo 2 的一次重要升级，旨在帮助创作者实现他们的创意愿景。该产品适合需要高质量视频生成的创意行业，从广告到游戏开发等多个领域。无具体价格信息披露。

Index-AniSora是由B站开源的顶尖动画视频生成模型，基于AniSora技术实现，支持多种二次元风格视频镜头的一键生成，如番剧、国创、漫改动画、VTuber、动画PV和鬼畜动画等。该模型通过强化学习技术框架全面提升动画内容的生产效率与质量，其技术原理已被IJCAI2025接收。Index-AniSora的开源为动画视频生成领域带来了新的技术突破，为开发者和创作者提供了强大的工具，推动二次元内容创作的进一步发展。

HunyuanCustom 是一个多模态定制视频生成框架，旨在根据用户定义的条件生成特定主题的视频。该技术在身份一致性和多种输入模式的支持上表现出色，能够处理文本、图像、音频和视频输入，适合虚拟人广告、视频编辑等多种应用场景。

KeySync 是一个针对高分辨率视频的无泄漏唇同步框架。它解决了传统唇同步技术中的时间一致性问题，同时通过巧妙的遮罩策略处理表情泄漏和面部遮挡。KeySync 的优越性体现在其在唇重建和跨同步方面的先进成果，适用于自动配音等实际应用场景。

Vidu Q1 是由生数科技推出的国产视频生成大模型，专为视频创作者设计，支持高清 1080p 视频生成，具备电影级运镜效果和首尾帧功能。该产品在 VBench-1.0 和 VBench-2.0 评测中位居榜首，性价比极高，价格仅为同行的十分之一。它适用于电影、广告、动漫等多个领域，能够大幅降低创作成本，提升创作效率。

SkyReels-V2 是昆仑万维 SkyReels 团队发布的全球首个使用扩散强迫框架的无限时长电影生成模型。该模型通过结合多模态大语言模型、多阶段预训练、强化学习和扩散强迫框架来实现协同优化，突破了传统视频生成技术在提示词遵循、视觉质量、运动动态和视频时长协调上的重大挑战。它不仅为内容创作者提供了强大的工具，还开启了利用 AI 进行视频叙事和创意表达的无限可能。

Wan2.1-FLF2V-14B 是一个开源的大规模视频生成模型，旨在推动视频生成领域的进步。该模型在多项基准测试中表现优异，支持消费者级 GPU，能够高效生成 480P 和 720P 的视频。它在文本到视频、图像到视频等多个任务中表现出色，具有强大的视觉文本生成能力，适用于各种实际应用场景。

FramePack 是一个创新的视频生成模型，旨在通过压缩输入帧的上下文来提高视频生成的质量和效率。其主要优点在于解决了视频生成中的漂移问题，通过双向采样方法保持视频质量，适合需要生成长视频的用户。该技术背景来源于对现有模型的深入研究和实验，以改进视频生成的稳定性和连贯性。

Pusa 通过帧级噪声控制引入视频扩散建模的创新方法，能够实现高质量的视频生成，适用于多种视频生成任务（文本到视频、图像到视频等）。该模型以其卓越的运动保真度和高效的训练过程，提供了一个开源的解决方案，方便用户进行视频生成任务。

SkyReels-A2 是一个基于视频扩散变换器的框架，允许用户合成和生成视频内容。该模型通过利用深度学习技术，提供了灵活的创作能力，适合多种视频生成应用，尤其是在动画和特效制作方面。该产品的优点在于其开源特性和高效的模型性能，适合研究人员和开发者使用，且目前不收取费用。

DreamActor-M1 是一个基于扩散变换器 (DiT) 的人类动画框架，旨在实现细粒度的整体可控性、多尺度适应性和长期时间一致性。该模型通过混合引导，能够生成高表现力和真实感的人类视频，适用于从肖像到全身动画的多种场景。其主要优势在于高保真度和身份保留，为人类行为动画带来了新的可能性。

MoCha 是一种创新的技术，旨在合成高质量的对话角色，使其在影视制作、游戏和动画中应用广泛。该技术的主要优点是能生成更自然、流畅的角色对话，增强了观众的沉浸感。MoCha 的市场定位为专业的影视制作公司和独立开发者，致力于提升角色交互的真实感。产品采用基于深度学习的模型，价格策略为付费，提供不同层级的服务包。

GAIA-2 是 Wayve 开发的先进视频生成模型，旨在为自动驾驶系统提供多样化和复杂的驾驶场景，以提高安全性和可靠性。该模型通过生成合成数据来解决依赖现实世界数据收集的限制，能够创建各种驾驶情境，包括常规和边缘案例。GAIA-2 支持多种地理和环境条件的模拟，帮助开发者在没有高昂成本的情况下快速测试和验证自动驾驶算法。

AccVideo 是一种新颖的高效蒸馏方法，通过合成数据集加速视频扩散模型的推理速度。该模型能够在生成视频时实现 8.5 倍的速度提升，同时保持相似的性能。它使用预训练的视频扩散模型生成多条有效去噪轨迹，从而优化了数据的使用和生成过程。AccVideo 特别适用于需要高效视频生成的场景，如电影制作、游戏开发等，适合研究人员和开发者使用。

Video-T1 是一个视频生成模型，通过测试时间缩放技术（TTS）显著提升生成视频的质量和一致性。该技术允许在推理过程中使用更多的计算资源，从而优化生成结果。相较于传统的视频生成方法，TTS 能够提供更高的生成质量和更丰富的内容表达，适用于数字创作领域。该产品的定位主要面向研究人员和开发者，价格信息未明确。

Step-Video-TI2V是由上海阶跃星辰智能科技有限公司开发的一款先进的图生视频模型。它基于30B参数的Step-Video-T2V训练而成，能够根据文本和图像输入生成长达102帧的视频。该模型的核心优势在于其运动幅度可控和镜头运动可控两大特点，能够平衡视频生成结果的动态性和稳定性。此外，它在动漫风格视频生成方面表现出色，非常适合动画创作、短视频制作等应用场景。该模型的开源为视频生成领域提供了强大的技术支持，推动了多模态生成技术的发展。

SmolVLM2 是一种轻量级的视频语言模型，旨在通过分析视频内容生成相关的文本描述或视频亮点。该模型具有高效性、低资源消耗的特点，适合在多种设备上运行，包括移动设备和桌面客户端。其主要优点是能够快速处理视频数据并生成高质量的文本输出，为视频内容创作、视频分析和教育等领域提供了强大的技术支持。该模型由 Hugging Face 团队开发，定位为高效、轻量化的视频处理工具，目前处于实验阶段，用户可以免费试用。

HunyuanVideo-I2V 是腾讯开源的图像到视频生成模型，基于 HunyuanVideo 架构开发。该模型通过图像潜在拼接技术，将参考图像信息有效整合到视频生成过程中，支持高分辨率视频生成，并提供可定制的 LoRA 效果训练功能。该技术在视频创作领域具有重要意义，能够帮助创作者快速生成高质量的视频内容，提升创作效率。

Project Starlight 是 Topaz Labs 推出的一款 AI 视频增强模型，专为提升低分辨率和损坏视频的质量而设计。它采用了扩散模型技术，能够实现视频的超分辨率、降噪、去模糊和锐化等功能，同时保持时间一致性，确保视频帧之间的流畅过渡。该技术是视频增强领域的重大突破，为视频修复和提升带来了前所未有的高质量效果。目前，Project Starlight 提供免费试用，并计划在未来支持 4K 导出，主要面向需要高质量视频修复和增强的用户和企业。

PSYCHE AI 是一款专注于生成逼真 AI 视频的工具，其核心功能是通过 AI 技术快速生成高质量的视频内容。用户可以从超过 100 种 AI 角色和 120 种 AI 语音中选择，无需任何视频编辑经验即可生成内容。该产品基于先进的 AI 技术，能够为企业和个人提供高效的内容创作解决方案，尤其适用于内容营销、教育、数字员工和个性化品牌等领域。其价格定位为每视频 2-3 美元，相比传统视频制作成本大幅降低，同时提供免费试用，降低了用户的使用门槛。

Wan2GP 是基于 Wan2.1 的改进版本，旨在为低配置 GPU 用户提供高效、低内存占用的视频生成解决方案。该模型通过优化内存管理和加速算法，使得普通用户也能在消费级 GPU 上快速生成高质量的视频内容。它支持多种任务，包括文本到视频、图像到视频、视频编辑等，同时具备强大的视频 VAE 架构，能够高效处理 1080P 视频。Wan2GP 的出现降低了视频生成技术的门槛，使得更多用户能够轻松上手并应用于实际场景。

HunyuanVideo Keyframe Control Lora 是一个针对HunyuanVideo T2V模型的适配器，专注于关键帧视频生成。它通过修改输入嵌入层以有效整合关键帧信息，并应用低秩适配（LoRA）技术优化线性层和卷积输入层，从而实现高效微调。该模型允许用户通过定义关键帧精确控制生成视频的起始和结束帧，确保生成内容与指定关键帧无缝衔接，增强视频连贯性和叙事性。它在视频生成领域具有重要应用价值，尤其在需要精确控制视频内容的场景中表现出色。

Wan2.1 是一款开源的先进大规模视频生成模型，旨在推动视频生成技术的边界。它通过创新的时空变分自编码器（VAE）、可扩展的训练策略、大规模数据构建和自动化评估指标，显著提升了模型的性能和通用性。Wan2.1 支持多种任务，包括文本到视频、图像到视频、视频编辑等，能够生成高质量的视频内容。该模型在多个基准测试中表现优异，甚至超越了一些闭源模型。其开源特性使得研究人员和开发者可以自由使用和扩展该模型，适用于多种应用场景。

Wan2.1-T2V-14B 是一款先进的文本到视频生成模型，基于扩散变换器架构，结合了创新的时空变分自编码器（VAE）和大规模数据训练。它能够在多种分辨率下生成高质量的视频内容，支持中文和英文文本输入，并在性能和效率上超越现有的开源和商业模型。该模型适用于需要高效视频生成的场景，如内容创作、广告制作和视频编辑等。目前该模型在 Hugging Face 平台上免费提供，旨在推动视频生成技术的发展和应用。

SkyReels V1 是一个基于 HunyuanVideo 微调的人类中心视频生成模型。它通过高质量影视片段训练，能够生成具有电影级质感的视频内容。该模型在开源领域达到了行业领先水平，尤其在面部表情捕捉和场景理解方面表现出色。其主要优点包括开源领先性、先进的面部动画技术和电影级光影美学。该模型适用于需要高质量视频生成的场景，如影视制作、广告创作等，具有广泛的应用前景。

SkyReels-V1 是一个开源的人类中心视频基础模型，基于高质量影视片段微调，专注于生成高质量的视频内容。该模型在开源领域达到了顶尖水平，与商业模型相媲美。其主要优势包括：高质量的面部表情捕捉、电影级的光影效果以及高效的推理框架 SkyReelsInfer，支持多 GPU 并行处理。该模型适用于需要高质量视频生成的场景，如影视制作、广告创作等。

FlashVideo 是一款专注于高效高分辨率视频生成的深度学习模型。它通过分阶段的生成策略，首先生成低分辨率视频，再通过增强模型提升至高分辨率，从而在保证细节的同时显著降低计算成本。该技术在视频生成领域具有重要意义，尤其是在需要高质量视觉内容的场景中。FlashVideo 适用于多种应用场景，包括内容创作、广告制作和视频编辑等。其开源性质使得研究人员和开发者可以灵活地进行定制和扩展。

Light-A-Video 是一种创新的视频重光照技术，旨在解决传统视频重光照中存在的光照不一致和闪烁问题。该技术通过 Consistent Light Attention（CLA）模块和 Progressive Light Fusion（PLF）策略，增强了视频帧之间的光照一致性，同时保持了高质量的图像效果。该技术无需额外训练，可以直接应用于现有的视频内容，具有高效性和实用性。它适用于视频编辑、影视制作等领域，能够显著提升视频的视觉效果。

Magic 1-For-1 是一个专注于高效视频生成的模型，其核心功能是将文本和图像快速转换为视频。该模型通过将文本到视频的生成任务分解为文本到图像和图像到视频两个子任务，优化了内存使用并减少了推理延迟。其主要优点包括高效性、低延迟和可扩展性。该模型由北京大学 DA-Group 团队开发，旨在推动交互式基础视频生成领域的发展。目前该模型及相关代码已开源，用户可以免费使用，但需遵守开源许可协议。

LipSync Studio 是一款专注于视频口型同步的专业工具，利用先进的人工智能技术实现音频与视频的完美匹配。它能够自动分析和映射口型动作，确保每个音节、停顿和表情与音频轨道完美对齐。该产品支持多种语言，适用于视频本地化、配音、喜剧创作等多种场景，能够帮助内容创作者快速生成高质量的多语言视频内容，提升内容的全球传播效率。其主要优点包括高效、精准的口型同步，以及强大的多语言支持和批量处理能力。产品定位为专业视频制作人员、教育工作者、企业营销人员和社交媒体创作者提供强大的工具支持。

On-device Sora 是一个开源项目，旨在通过线性比例跳跃（LPL）、时间维度标记合并（TDTM）和动态加载并发推理（CI-DL）等技术，实现在移动设备（如 iPhone 15 Pro）上高效的视频生成。该项目基于 Open-Sora 模型开发，能够根据文本输入生成高质量视频。其主要优点包括高效性、低功耗和对移动设备的优化。该技术适用于需要在移动设备上快速生成视频内容的场景，如短视频创作、广告制作等。项目目前开源，用户可以免费使用。

Lumina-Video 是 Alpha-VLLM 团队开发的一个视频生成模型，主要用于从文本生成高质量的视频内容。该模型基于深度学习技术，能够根据用户输入的文本提示生成对应的视频，具有高效性和灵活性。它在视频生成领域具有重要意义，为内容创作者提供了强大的工具，能够快速生成视频素材。目前该项目已开源，支持多种分辨率和帧率的视频生成，并提供了详细的安装和使用指南。

Goku 是一个专注于视频生成的人工智能模型，能够根据文本提示生成高质量的视频内容。该模型基于先进的流式生成技术，能够生成流畅且具有吸引力的视频，适用于多种场景，如广告、娱乐和创意内容制作。Goku 的主要优点在于其高效的生成能力和对复杂场景的出色表现能力，能够显著降低视频制作成本，同时提升内容的吸引力。该模型由香港大学和字节跳动的研究团队共同开发，旨在推动视频生成技术的发展。

VideoWorld是一个专注于从纯视觉输入（无标签视频）中学习复杂知识的深度生成模型。它通过自回归视频生成技术，探索如何仅通过视觉信息学习任务规则、推理和规划能力。该模型的核心优势在于其创新的潜在动态模型（LDM），能够高效地表示多步视觉变化，从而显著提升学习效率和知识获取能力。VideoWorld在视频围棋和机器人控制任务中表现出色，展示了其强大的泛化能力和对复杂任务的学习能力。该模型的研究背景源于对生物体通过视觉而非语言学习知识的模仿，旨在为人工智能的知识获取开辟新的途径。

VideoJAM 是一种创新的视频生成框架，旨在通过联合外观 - 运动表示来提升视频生成模型的运动连贯性和视觉质量。该技术通过引入内指导机制（Inner-Guidance），利用模型自身预测的运动信号动态引导视频生成，从而在生成复杂运动类型时表现出色。VideoJAM 的主要优点是能够显著提高视频生成的连贯性，同时保持高质量的视觉效果，且无需对训练数据或模型架构进行大规模修改，即可应用于任何视频生成模型。该技术在视频生成领域具有重要的应用前景，尤其是在需要高度运动连贯性的场景中。

Go with the Flow 是一种创新的视频生成技术，通过使用扭曲噪声代替传统的高斯噪声，实现了对视频扩散模型运动模式的高效控制。该技术无需对原始模型架构进行修改，即可在不增加计算成本的情况下，实现对视频中物体和相机运动的精确控制。其主要优点包括高效性、灵活性和可扩展性，能够广泛应用于图像到视频生成、文本到视频生成等多种场景。该技术由 Netflix Eyeline Studios 等机构的研究人员开发，具有较高的学术价值和商业应用潜力，目前开源免费提供给公众使用。

OmniHuman-1 是一个端到端的多模态条件人类视频生成框架，能够基于单张人像和运动信号（如音频、视频或其组合）生成人类视频。该技术通过混合训练策略克服了高质量数据稀缺的问题，支持任意宽高比的图像输入，生成逼真的人类视频。它在弱信号输入（尤其是音频）方面表现出色，适用于多种场景，如虚拟主播、视频制作等。

MatAnyone 是一种先进的视频抠像技术，专注于通过一致的记忆传播实现稳定的视频抠像。它通过区域自适应记忆融合模块，结合目标指定的分割图，能够在复杂背景中保持语义稳定性和细节完整性。该技术的重要性在于它能够为视频编辑、特效制作和内容创作提供高质量的抠像解决方案，尤其适用于需要精确抠像的场景。MatAnyone 的主要优点是其在核心区域的语义稳定性和边界细节的精细处理能力。它由南洋理工大学和商汤科技的研究团队开发，旨在解决传统抠像方法在复杂背景下的不足。

Video Depth Anything 是一个基于深度学习的视频深度估计模型，能够为超长视频提供高质量、时间一致的深度估计。该技术基于 Depth Anything V2 开发，具有强大的泛化能力和稳定性。其主要优点包括对任意长度视频的深度估计能力、时间一致性以及对开放世界视频的良好适应性。该模型由字节跳动的研究团队开发，旨在解决长视频深度估计中的挑战，如时间一致性问题和复杂场景的适应性问题。目前，该模型的代码和演示已公开，供研究人员和开发者使用。

Tarsier 是由字节跳动研究团队开发的一系列大规模视频语言模型，旨在生成高质量的视频描述，并具备强大的视频理解能力。该模型通过两阶段训练策略（多任务预训练和多粒度指令微调）显著提升了视频描述的精度和细节。其主要优点包括高精度的视频描述能力、对复杂视频内容的理解能力以及在多个视频理解基准测试中取得的 SOTA（State-of-the-Art）结果。Tarsier 的背景基于对现有视频语言模型在描述细节和准确性上的不足进行改进，通过大规模高质量数据训练和创新的训练方法，使其在视频描述领域达到了新的高度。该模型目前未明确定价，主要面向学术研究和商业应用，适合需要高质量视频内容理解和生成的场景。

leapfusion-hunyuan-image2video 是一种基于 Hunyuan 模型的图像到视频生成技术。它通过先进的深度学习算法，将静态图像转换为动态视频，为内容创作者提供了一种全新的创作方式。该技术的主要优点包括高效的内容生成、灵活的定制化能力以及对高质量视频输出的支持。它适用于需要快速生成视频内容的场景，如广告制作、视频特效等领域。该模型目前以开源形式发布，供开发者和研究人员免费使用，未来有望通过社区贡献进一步提升其性能。

VideoLLaMA3是由DAMO-NLP-SG团队开发的前沿多模态基础模型，专注于图像和视频理解。该模型基于Qwen2.5架构，结合了先进的视觉编码器（如SigLip）和强大的语言生成能力，能够处理复杂的视觉和语言任务。其主要优点包括高效的时空建模能力、强大的多模态融合能力以及对大规模数据的优化训练。该模型适用于需要深度视频理解的应用场景，如视频内容分析、视觉问答等，具有广泛的研究和商业应用潜力。

Seaweed-APT是一种用于视频生成的模型，通过对抗性后训练技术，实现了大规模文本到视频的单步生成。该模型能够在短时间内生成高质量的视频，具有重要的技术意义和应用价值。其主要优点是速度快、生成效果好，适用于需要快速生成视频的场景。目前尚未明确具体的价格和市场定位。

Luma Ray2 是一款先进的视频生成模型，基于 Luma 新的多模态架构训练，计算能力是 Ray1 的 10 倍。它能够理解文本指令，并可接受图像和视频输入，生成具有快速连贯动作、超逼真细节和逻辑事件序列的视频，使生成的视频更接近生产就绪状态。目前提供文本到视频的生成功能，图像到视频、视频到视频和编辑功能即将推出。产品主要面向需要高质量视频生成的用户，如视频创作者、广告公司等，目前仅对付费订阅用户开放，可通过官网链接尝试使用。

由ictnlp团队开发的多模态模型，仅用1个视觉令牌提效，改进多项性能，开源免费，适用于需快速准确理解视觉内容的场景。

Diffusion as Shader (DaS) 是一种创新的视频生成控制模型，旨在通过3D感知的扩散过程实现对视频生成的多样化控制。该模型利用3D跟踪视频作为控制输入，能够在统一的架构下支持多种视频控制任务，如网格到视频生成、相机控制、运动迁移和对象操作等。DaS的主要优势在于其3D感知能力，能够有效提升生成视频的时间一致性，并在短时间内通过少量数据微调即可展现出强大的控制能力。该模型由香港科技大学等多所高校的研究团队共同开发，旨在推动视频生成技术的发展，为影视制作、虚拟现实等领域提供更为灵活和高效的解决方案。

TransPixar 是一种先进的文本到视频生成模型，能够生成包含透明度通道的 RGBA 视频。该技术通过结合扩散变换器（DiT）架构和 LoRA 基于微调的方法，实现了 RGB 和 Alpha 通道的高一致性生成。TransPixar 在视觉效果（VFX）和互动内容创作领域具有重要应用价值，能够为娱乐、广告和教育等行业提供多样化的内容生成解决方案。其主要优点包括高效的模型扩展性、强大的生成能力和对有限训练数据的优化处理能力。

STAR是一种创新的视频超分辨率技术，通过将文本到视频扩散模型与视频超分辨率相结合，解决了传统GAN方法中存在的过度平滑问题。该技术不仅能够恢复视频的细节，还能保持视频的时空一致性，适用于各种真实世界的视频场景。STAR由南京大学、字节跳动等机构联合开发，具有较高的学术价值和应用前景。

SeedVR 是一种创新的扩散变换器模型，专门用于处理真实世界中的视频修复任务。该模型通过其独特的移位窗口注意力机制，能够高效地处理任意长度和分辨率的视频序列。SeedVR 的设计使其在生成能力和采样效率方面都取得了显著的提升，相较于传统的扩散模型，它在合成和真实世界的基准测试中均表现出色。此外，SeedVR 还结合了因果视频自编码器、混合图像和视频训练以及渐进式训练等现代实践，进一步提高了其在视频修复领域的竞争力。作为一种前沿的视频修复技术，SeedVR 为视频内容创作者和后期制作人员提供了一种强大的工具，能够显著提升视频质量，尤其是在处理低质量或损坏的视频素材时。

LatentSync 是由字节跳动开发的一款基于音频条件的潜在扩散模型的唇部同步框架。它能够直接利用 Stable Diffusion 的强大能力，无需任何中间运动表示，即可建模复杂的音视频关联。该框架通过提出的时间表示对齐（TREPA）技术，有效提升了生成视频帧的时间一致性，同时保持了唇部同步的准确性。该技术在视频制作、虚拟主播、动画制作等领域具有重要应用价值，能够显著提高制作效率，降低人工成本，为用户带来更加逼真、自然的视听体验。LatentSync 的开源特性也使其能够被广泛应用于学术研究和工业实践，推动相关技术的发展和创新。

这是一个视频变分自编码器（VAE），旨在减少视频冗余并促进高效视频生成。该模型通过观察发现，将图像VAE直接扩展到3D VAE会引入运动模糊和细节失真，因此提出了时间感知的空间压缩以更好地编码和解码空间信息。此外，该模型还集成了一个轻量级的运动压缩模型以实现进一步的时间压缩。通过利用文本到视频数据集中固有的文本信息，并在模型中加入文本指导，显著提高了重建质量，特别是在细节保留和时间稳定性方面。该模型还通过在图像和视频上进行联合训练来提高其通用性，不仅提高了重建质量，还使模型能够执行图像和视频的自编码。广泛的评估表明，该方法的性能优于最近的强基线。

Video Prediction Policy（VPP）是一种基于视频扩散模型（VDMs）的机器人策略，能够准确预测未来的图像序列，展现出对物理动力学的良好理解。VPP利用VDMs中的视觉表示来反映物理世界的演变，这种表示被称为预测性视觉表示。通过结合多样化的人类或机器人操控数据集，并采用统一的视频生成训练目标，VPP在两个模拟环境和两个真实世界基准测试中均优于现有方法。特别是在Calvin ABC-D基准测试中，相较于先前的最佳技术，VPP实现了28.1%的相对改进，并在复杂的真实世界灵巧手操控任务中提高了28.8%的成功率。

Ruyi-Mini-7B是由CreateAI团队开发的开源图像到视频生成模型，具有约71亿参数，能够从输入图像生成360p到720p分辨率的视频帧，最长5秒。模型支持不同宽高比，并增强了运动和相机控制功能，提供更大的灵活性和创造力。该模型在Apache 2.0许可下发布，意味着用户可以自由使用和修改。

Enhance-A-Video 是一个致力于提高视频生成质量的项目，它通过调整视频模型中的时序注意力参数来增强视频帧间的一致性和视觉质量。该项目由新加坡国立大学、上海人工智能实验室和德克萨斯大学奥斯汀分校的研究人员共同开发。Enhance-A-Video 的主要优点在于它能够以零成本提升现有视频模型的性能，无需重新训练。它通过引入温度参数来控制帧间相关性，增强视频的时序注意力输出，从而提升视频质量。

Ruyi是图森未来发布的图生视频大模型，专为在消费级显卡上运行而设计，并提供详尽的部署说明和ComfyUI工作流，以便用户能够快速上手。Ruyi凭借在帧间一致性、动作流畅性方面的卓越表现，以及和谐自然的色彩呈现和构图，将为视觉叙事提供全新的可能性。同时，该模型还针对动漫和游戏场景进行深度学习，将成为ACG爱好者理想的创意伙伴。

FastHunyuan是由Hao AI Lab开发的加速版HunyuanVideo模型，能够在6次扩散步骤中生成高质量视频，相比原始HunyuanVideo模型的50步扩散，速度提升约8倍。该模型在MixKit数据集上进行一致性蒸馏训练，具有高效率和高质量的特点，适用于需要快速生成视频的场景。

这是一个由卡内基梅隆大学提出的视频非可见物体分割和内容补全的模型。该模型通过条件生成任务的方式，利用视频生成模型的基础知识，对视频中的可见物体序列进行处理，以生成包括可见和不可见部分的物体掩码和RGB内容。该技术的主要优点包括能够处理高度遮挡的情况，并且能够对变形物体进行有效的处理。此外，该模型在多个数据集上的表现均优于现有的先进方法，特别是在物体被遮挡区域的非可见分割上，性能提升高达13%。

Apollo是一个专注于视频理解的先进大型多模态模型家族。它通过系统性地探索视频-LMMs的设计空间，揭示了驱动性能的关键因素，提供了优化模型性能的实用见解。Apollo通过发现'Scaling Consistency'，使得在较小模型和数据集上的设计决策能够可靠地转移到更大的模型上，大幅降低计算成本。Apollo的主要优点包括高效的设计决策、优化的训练计划和数据混合，以及一个新型的基准测试ApolloBench，用于高效评估。

Veo 2是Google DeepMind开发的最新视频生成模型，它代表了视频生成技术的一个重大进步。Veo 2能够逼真地模拟真实世界的物理效果和广泛的视觉风格，同时遵循简单和复杂的指令。该模型在细节、逼真度和减少人工痕迹方面显著优于其他AI视频模型。Veo 2的高级运动能力让其能够精确地表示运动，并且能够精确地遵循详细的指令，创造出各种镜头风格、角度和运动。Veo 2在视频生成领域的重要性体现在其增强了视频内容的多样性和质量，为电影制作、游戏开发、虚拟现实等领域提供了强大的技术支持。

CausVid是一个先进的视频生成模型，它通过将预训练的双向扩散变换器适配为因果变换器，实现了即时视频帧的生成。这一技术的重要性在于它能够显著减少视频生成的延迟，使得视频生成能够以交互式帧率（9.4FPS）在单个GPU上进行流式生成。CausVid模型支持从文本到视频的生成，以及零样本图像到视频的生成，展现了视频生成技术的新高度。

SynCamMaster是一种先进的视频生成技术，它能够从多样化的视角同步生成多摄像机视频。这项技术通过预训练的文本到视频模型，增强了视频内容在不同视角下的动态一致性，对于虚拟拍摄等应用场景具有重要意义。该技术的主要优点包括能够处理开放世界视频的任意视角生成，整合6自由度摄像机姿态，并设计了一种渐进式训练方案，利用多摄像机图像和单目视频作为补充，显著提升了模型性能。

EndlessAI是一个以AI视频能力为核心的平台，目前处于隐身模式。它通过Lloyd智能手机应用程序在App Store上提供演示，用户可以通过该应用体验AI视频技术的强大功能。EndlessAI的技术背景强调了其在视频处理和AI应用方面的专业性，尽管价格和具体定位信息未在页面上明确，但可以推测其主要面向需要高端视频处理和AI集成解决方案的用户群体。

MEMO是一个先进的开放权重模型，用于音频驱动的说话视频生成。该模型通过记忆引导的时间模块和情感感知的音频模块，增强了长期身份一致性和运动平滑性，同时通过检测音频中的情感来细化面部表情，生成身份一致且富有表情的说话视频。MEMO的主要优点包括更真实的视频生成、更好的音频-唇形同步、身份一致性和表情情感对齐。该技术背景信息显示，MEMO在多种图像和音频类型中生成更真实的说话视频，超越了现有的最先进方法。

VISION XL是一个利用潜在扩散模型解决高清视频逆问题的框架。它通过伪批量一致性采样策略和批量一致性反演方法，优化了视频处理的效率和时间，支持多种比例和高分辨率重建。该技术的主要优点包括支持多比例和高分辨率重建、内存和采样时间效率、使用开源潜在扩散模型SDXL。它通过集成SDXL，在各种时空逆问题上实现了最先进的视频重建，包括复杂的帧平均和各种空间退化的组合，如去模糊、超分辨率和修复。

腾讯混元文生视频（HunyuanVideo）是一款突破性的视频生成模型，它拥有130亿参数，是目前开源模型中参数最多、性能最强的文生视频大模型。该模型能够生成具有较强物理准确性和一致性镜头的视频，提供超写实的视觉体验，并在真实与虚拟风格之间自由转换。它具备导演级运镜能力，实现艺术镜头的无缝衔接，完美融合真实效果与虚拟场景。同时，HunyuanVideo遵循物理定律，大幅降低违和感，并通过原生切镜和连续动作的设计，用户只需简单指令即可完成流畅创作，激发无限创意与灵感。

ConsisID是一个基于频率分解的身份保持文本到视频生成模型，它通过在频域中使用身份控制信号来生成与输入文本描述一致的高保真度视频。该模型不需要针对不同案例进行繁琐的微调，并且能够保持生成视频中人物身份的一致性。ConsisID的提出，推动了视频生成技术的发展，特别是在无需调整的流程和频率感知的身份保持控制方案方面。

Allegro-TI2V是一个文本图像到视频生成模型，它能够根据用户提供的提示和图像生成视频内容。该模型以其开源性、多样化的内容创作能力、高质量的输出、小巧高效的模型参数以及支持多种精度和GPU内存优化而受到关注。它代表了当前人工智能技术在视频生成领域的前沿进展，具有重要的技术价值和商业应用潜力。Allegro-TI2V模型在Hugging Face平台上提供，遵循Apache 2.0开源协议，用户可以免费下载和使用。

SoraVids是一个基于Hugging Face平台的视频生成模型Sora的存档库。它包含了87个视频和83个对应的提示，这些视频和提示在OpenAI撤销API密钥前被公开展示。这些视频均为MIME类型video/mp4，帧率为30 FPS。SoraVids的背景是OpenAI的视频生成技术，它允许用户通过文本提示生成视频内容。这个存档库的重要性在于它保存了在API密钥被撤销前生成的视频，为研究和教育提供了宝贵的资源。

PPLLaVA是一个高效的视频大型语言模型，它结合了细粒度视觉提示对齐、用户指令的卷积风格池化的视觉令牌压缩以及CLIP上下文扩展。该模型在VideoMME、MVBench、VideoChatGPT Bench和VideoQA Bench等数据集上建立了新的最先进结果，仅使用1024个视觉令牌，吞吐量提高了8倍。

NVIDIA AI Blueprint for Video Search and Summarization是一个基于NVIDIA NIM微服务和生成式AI模型的参考工作流程，用于构建能够理解自然语言提示并执行视觉问题回答的视觉AI代理。这些代理可以部署在工厂、仓库、零售店、机场、交通路口等多种场景中，帮助运营团队从自然交互中生成的丰富洞察中做出更好的决策。

MiniMates是一款轻量级的图片数字人驱动算法，能够在普通电脑上实时运行，支持语音驱动和表情驱动两种模式。它比市面上的liveportrait、EchoMimic、MuseTalk等算法快10-100倍，让用户能够通过极少的资源消耗定制自己的AI伙伴。该技术的主要优点包括极速体验、个性化定制以及嵌入终端的能力，摆脱了对Python和CUDA的依赖。MiniMates遵循MIT协议，适用于需要快速、高效的人脸动画和语音合成的应用场景。

Mochi 1是一个由Genmo开发的前沿开源AI视频生成器，它允许创作者使用文本和图像提示生成高质量、逼真的视频。Mochi 1以其卓越的提示遵循能力和流畅的运动效果，使AI视频生成对每个人都变得容易。它旨在与行业其他模型竞争，为创作者提供更多的控制和更好的视觉成果。

Allegro是由Rhymes AI开发的高级文本到视频模型，它能够将简单的文本提示转换成高质量的短视频片段。Allegro的开源特性使其成为创作者、开发者和AI视频生成领域研究人员的强大工具。Allegro的主要优点包括开源、内容创作多样化、高质量输出以及模型体积小且高效。它支持多种精度（FP32、BF16、FP16），在BF16模式下，GPU内存使用量为9.3 GB，上下文长度为79.2k，相当于88帧。Allegro的技术核心包括大规模视频数据处理、视频压缩成视觉令牌以及扩展视频扩散变换器。

sync. 是一款利用人工智能技术的视频唇形同步工具，它能够将任何视频中的嘴唇动作与任何音频同步，实现自然、准确且即时的唇形匹配。该工具不仅为内容创作者、播客和YouTube频道主提供了重新利用旧内容的可能，还通过其开发工具，帮助开发者在他们的应用程序中集成sync.功能，从而加速产品的全球影响力。此外，sync.支持多种语言，可以轻松地将内容翻译成任何语言，具有生命般的即时唇形同步效果。

Pyramid Flow 是一种高效的视频生成建模技术，它基于流匹配方法，通过自回归视频生成模型来实现。该技术主要优点是训练效率高，能够在开源数据集上以较低的GPU小时数进行训练，生成高质量的视频内容。Pyramid Flow 的背景信息包括由北京大学、快手科技和北京邮电大学共同研发，并且已经在多个平台上发布了相关的论文、代码和模型。

LLaVA-Video是一个专注于视频指令调优的大型多模态模型（LMMs），通过创建高质量的合成数据集LLaVA-Video-178K来解决从网络获取大量高质量原始数据的难题。该数据集包括详细的视频描述、开放式问答和多项选择问答等任务，旨在提高视频语言模型的理解和推理能力。LLaVA-Video模型在多个视频基准测试中表现出色，证明了其数据集的有效性。

Runway API是一个强大的视频模型平台，提供先进的生成视频模型，允许用户在安全、可靠的环境中嵌入Gen-3 Alpha Turbo到他们的产品中。它支持广泛的应用场景，包括创意广告、音乐视频、电影制作等，是全球顶尖创意人士的首选。

Vchitect 2.0（筑梦2.0）是一款由上海人工智能实验室开发的高级视频生成模型，旨在赋予视频创作新的动力。它支持20秒视频生成，灵活的宽高比，生成空间时间增强，以及长视频评估。Vchitect 2.0通过其先进的技术，能够将静态图像转换为5-10秒的视频，使用户能够轻松地将照片或设计转换为引人入胜的视觉体验。此外，Vchitect 2.0还支持长视频生成模型的评估，通过VBench平台，提供全面且持续更新的评估排行榜，支持多种长视频模型，如Gen-3、Kling、OpenSora等。

CogVideoX是一个开源的视频生成模型，由清华大学团队开发，支持从文本描述生成视频。它提供了多种视频生成模型，包括入门级和大型模型，以满足不同质量和成本需求。模型支持多种精度，包括FP16和BF16，推荐使用与模型训练时相同的精度进行推理。CogVideoX-5B模型特别适用于需要生成高质量视频内容的场景，如电影制作、游戏开发和广告创意。

AvatarPose是一种用于从稀疏多视角视频中估计多个紧密互动人的3D姿态和形状的方法。该技术通过重建每个人的个性化隐式神经化身，并将其作为先验，通过颜色和轮廓渲染损失来细化姿态，显著提高了在紧密互动中估计3D姿态的鲁棒性和精确度。

ExAvatar是一种新型的3D全身动态表情模型，它结合了SMPL-X的全身驱动能力和3DGS的强外观建模能力。通过简单的手机扫描即可创建，支持各种姿势和表情的动画渲染。ExAvatar的混合表示方法提高了面部表情的自然度，减少了新表情和姿势的伪影，并且使模型与SMPL-X的面部表情空间完全兼容。

CogVideoX-2B是一个开源的视频生成模型，由清华大学团队开发。它支持使用英语提示语言生成视频，具有36GB的推理GPU内存需求，并且可以生成6秒长、每秒8帧、分辨率为720*480的视频。该模型使用正弦位置嵌入，目前不支持量化推理和多卡推理。它基于Hugging Face的diffusers库进行部署，能够根据文本提示生成视频，具有高度的创造性和应用潜力。

Tora是一种基于扩散变换器（DiT）的视频生成模型，它通过集成文本、视觉和轨迹条件，实现了对视频内容动态的精确控制。Tora的设计充分利用了DiT的可扩展性，允许在不同的持续时间、纵横比和分辨率下生成高质量的视频内容。该模型在运动保真度和物理世界运动模拟方面表现出色，为视频内容创作提供了新的可能性。

metahuman-stream是一个开源的实时交互数字人模型项目，它通过先进的技术实现数字人与用户的音视频同步对话，具有商业应用潜力。该项目支持多种数字人模型，包括ernerf、musetalk、wav2lip等，并且具有声音克隆、数字人说话被打断、全身视频拼接等功能。