惟愿此心无怨尤

【学习笔记】AI 视频生成全景：有哪些方式、技术范式、开源与商业 SOTA（2026）

32 min

整理日期：2026-06-30 涵盖范围：12 种生成模态、技术范式、商业前沿与排行榜、开源选型、数字人口播、免费与国内工具实操 说明：本笔记关键信息均标注来源链接，便于追溯核实；标注「（未确认）」或「据报道」者为待二次核验项。AI 视频迭代极快（很多模型半年一代），正式商用前请以各平台最新页面为准。文末「九、按用途选型决策表」可直接跳读结论。

一、核心结论（太长不看）

  1. 格局已变，而且很反直觉：开辟了 AI 视频赛道的 OpenAI Sora 已停服（web/app 2026-04-26 关停、API 2026-09-24 关停）；而 2026 年的榜首被中国厂商包揽——字节跳动 Seedance 2.0 同时登顶 Artificial Analysis 文生视频、图生视频（带音频）双榜（Elo 1219 / 1195）。
  2. 原生音频是 2026 的分水岭：Veo 3 首创「一次生成画面 + 同步对白 + 音效 + 配乐」后，Seedance 2.0、Kling 3.0、Vidu Q3、Sora 2、Grok Imagine 全部跟上；而 Hailuo、Runway、Luma、Adobe 仍缺席——这是它们目前最大的短板。选型第一步先问「要不要声音」。
  3. 「用 AI 生成视频」远不止文生视频：至少有 12 种模态（图生、首尾帧、视频生视频、运镜、参考图一致性、延长、数字人口播、修复外扩、循环、世界模型……）。先选模态，再选模型，是这条赛道最重要的选型直觉。
  4. 开源已经逼近闭源：Wan 2.2（首个开源 MoE 视频模型）、HunyuanVideo、LTX-2（目前唯一开源、带原生音频的视频模型） 质量已接近商业模型；而 CogVideoX / LTX-Video 在 8–12GB 的消费级显卡上就能跑。
  5. 免费层几乎都禁商用 + 带水印；真正「免费 + 可商用」的只有本地开源（Apache 系的 CogVideoX / Wan / LTX；⚠️ HunyuanVideo 是社区许可、排除欧盟/英国/韩国商用，不是纯开源）——这和姊妹篇《AI 音乐生成全景》是同一个结论。

来源：Artificial Analysis 文生视频竞技场 · 图生视频竞技场 · OpenAI Sora 停服说明 · BBC：Sora 关停报道

二、「用 AI 生成视频」有哪些方式：12 种模态总览

很多人一提「AI 生成视频」就默认等于「文生视频」，其实那只是最基础的一种。先把「你要解决的是哪一类问题」想清楚，比纠结用哪个模型重要得多——下面这张表是全文的索引，后续每一节都是在展开其中某一行。

模态一句话定义最适合的场景代表模型 / 工具
① 文生视频 T2V只凭一段文字生成视频零素材、从零构思创意Veo 3.1、Seedance 2.0、Kling 3.0、Wan 2.2
② 单图生视频 I2V给一张图当首帧，补全后续运动让静图「动起来」、给画作注入生命Runway Gen-4.5、Wan 2.2、HunyuanVideo-I2V
③ 首尾帧 / 多关键帧 I2V给定起止帧（甚至中段帧），生成中间过渡精准控制开头和结尾、做转场Wan 2.1-FLF2V、LTX-2、Kling Start & End Frames
④ 视频生视频 V2V / 风格化改风格或内容、保留原片的运动结构影视调色、风格迁移、换背景Runway Gen-4 V2V、Pika Pikaswaps、Wan V2V
⑤ 视频延长在已有片段末尾接续、延长时长长镜头、续拍、补镜头Kling Extend、Runway Extend、Veo Extend
⑥ 运镜 / Motion Brush / Dolly Zoom指定镜头运动方向与强度，或涂抹局部让特定区域动电影级镜头语言、推拉摇移Runway Camera Control + Motion Brush、Kling Motion Control
⑦ 参考图 / 角色一致性喂多张参考图（角色、物体、服装、场景），保持各自身份跨镜头不变系列短片、AI 短剧、IP 稳定出场Pika 2.5 Scene Ingredients、Wan 2.7 R2V、Seedance 多图
⑧ 循环 / 无缝视频首尾衔接、可无限循环播放背景动图、MV、氛围素材Runway / Pika 的 loop 模式
⑨ 数字人 / 口播 / 唇形同步用音频或文本驱动一张人像/数字人说话，口型表情对齐营销口播、虚拟主播、教程EchoMimic V3、LatentSync、HeyGen、JoyHallo（中文）
⑩ 视频修复 / 外扩 / 对象擦除涂抹移除画面元素，或扩展画幅去路人、横竖屏转换、补全Runway Inpainting、各模型 uncrop
⑪ 原生音频 / 配乐视频与同步的对白、音效、配乐一次生成有声短片、广告、叙事成片Veo 3 / 3.1、Seedance 2.0、Kling 3.0 Omni、LTX-2（开源）
⑫ 3D / 4D / 世界模型隐式学习物理、几何、动力学，把视频当「世界模拟器」机器人 / 自动驾驶训练数据、物理仿真NVIDIA Cosmos、Sora 的世界模型愿景

一个直觉判断：①② 是「从无到有」，③④⑤⑥⑦⑧⑩ 是「在已有素材上加工」，⑨ 是「让数字人说话」，⑪是「给视频配音」，⑫是「拿视频当仿真器」。本文第四节讲商业模型（主要覆盖 ①②③⑦⑪），第六节讲开源（①②③④），第七节专讲 ⑨，第八节讲怎么免费跑起来。

三、技术原理：AI 是怎么「拍视频」的？

3.1 一段演进：U-Net → DiT → Flow Matching

早期的视频生成沿用图像扩散的 U-Net 卷积骨干，但卷积的「归纳偏置」限制了把模型做大。转折点是 Sora（2024 年 2 月）引入 DiT（Diffusion Transformer，扩散 Transformer）：把视频编码成一串时空 token，用 Transformer 在潜空间里迭代去噪。Transformer 的好处是可以堆到几十 B 参数——质量随规模近乎线性提升，DiT 从此成为事实标准。

2024–2025 年，业界又把训练目标从经典 DDPM 换成 Flow Matching / Rectified Flow（整流流）：它把「噪声」和「真实数据」用一条近似直线的轨迹连起来，采样步更少、大规模训练更稳更省。一句话：规模驱动质量，Flow Matching 让大规模训练更经济。

来源：Open-Sora 2.0 论文（含 DiT 对比）(arXiv 2503.09642) · Meta Movie Gen 论文（Flow Matching）(arXiv 2410.13720)

3.2 六条技术范式

注意：「DiT 骨干」和「Flow Matching 训练」是两个正交的选择，现在主流大模型大多是「DiT + Flow Matching」组合，并不是对立路线。

范式核心思想优 / 缺点代表模型
DiT 扩散3D-VAE 编码时空潜表示，DiT 在潜空间迭代去噪可扩展、质量随规模提升 / 多步采样、算力高Sora、HunyuanVideo（13B）、Wan 2.x
Flow Matching（整整流）用「速度场」把噪声沿直线推向数据，常与 DiT 组合步数更少、训练更稳 / 仍多步迭代Meta Movie Gen（30B）、Mochi、LTX-Video、Kling
自回归 next-token视频先离散化成 token，像 LLM 逐 token 预测任意条件可作上下文、流式友好 / 慢、误差累积、纹理常弱于扩散Google VideoPoet、Meta Emu Video、Show-o、MAGI-1
掩码生成式（MAR 风格）按掩码比例并行预测 token，介于扩散与自回归之间并行解码比 AR 快、双向上下文 / 难建模强时序因果MAGVIT、MarDini、MAGI（CVPR 2025）
混合（AR + 扩散）AR/LM 出结构与低频信号保时序，扩散精修高频帧保纹理兼顾时序与纹理 / 工程复杂CausVid（MIT 2025，秒级出片）
GAN / 实时判别式网络做单图 + 音频驱动的口型表情合成，毫秒级实时、低成本 / 保真度上限低于扩散HeyGen、Hedra、D-ID（数字人方向）

⚠️ 两个常见误读：Open-Sora 2.0 是扩散系（不是自回归）；Meta Movie Gen 是纯 Flow-Matching DiT（不是混合范式）。

3.3 质量驱动与开放难题

  • 时序一致性：跨帧不闪不变形，是 DiT 时空注意力 + 长上下文的最大收益。
  • 运动幅度 vs 稳定性：大运动容易结构崩坏；高 Elo 的模型通常是「敢动又不动」。
  • 提示遵循：复杂场景、多主体提示下，物体数量、空间关系、动作经常丢失（⑦ 参考图能部分缓解）。
  • 物理真实感：流体、碰撞、刚体、镜面反射仍是弱项；Sora 2 把「物理更准」当卖点。
  • 长时长连贯：超过 10 秒后剧情与身份容易漂移，Vidu Q3 主打的「首个长片原生音视频」正指向这个战场。
  • 算力成本：训练动辄上千万美元（Open-Sora 2.0 用约 20 万美元属极端低成本特例）；推理多步昂贵，「少步 / 蒸馏 / 单 pass」是降本主线。

来源：Artificial Analysis 视频竞技场方法学 · 视频扩散综述 (Springer 2025)

四、商业前沿全景与排行榜（2026）

4.1 Artificial Analysis 视频竞技场（2026-06 快照）

这个榜用的是众包盲测 A/B（同一个 prompt 两个模型各生成一次，投票者不知模型身份选优），按 Elo 积分排名，是目前最被认可的第三方榜。最大看点：Top 名次几乎被中国厂商包揽，Veo 排到第 10，Runway / Pika / Luma 跌出 Top 24。

文生视频（带音频）Top 5

#模型厂商Elo发布
1Seedance 2.0（720p）字节跳动12192026-02
2HappyHorse-1.1阿里 ATH11512026-06
3HappyHorse-1.0阿里 ATH11232026-04
4SkyReels V4昆仑万维11062026-03
5Kling 3.0（1080p Pro）快手11042026-02
10Veo 3.1Google10942026-01

图生视频（带音频）Top 2：① Seedance 2.0（Elo 1195）；② xAI Grok Imagine Video 1.5（Elo 1114，2026-06 发布，比 Veo 3.1 还高）。

⚠️ 注意 arena.ai（LMArena）和 artificialanalysis.ai 是两套不同的竞技场，Elo 标尺不同，别混着引用。VBench-2.0（更偏内在保真度的学术榜）上，中国模型占据前 10 约八席（各模型当前精确分未确认，以 HF 官方面板为准）。

来源：AA 文生视频榜 · AA 图生视频榜 · VBench 榜（HF）

4.2 主力模型速写

模型（厂商）最新版本原生音频亮点 / 短板
Veo（Google）Veo 3.1 / 3.1 Fast（2026-01）✅ 首创4K、广播级、Gemini 内约 3 个/天免费、SynthID 水印、免费层允许商用；8 秒原生片段上限、提示语法敏感
Sora（OpenAI）Sora 2（2025-09）✅已停服（web/app 2026-04-26、API 2026-09-24）；定位「世界模拟器」，为机器人训练铺路
Kling 可灵（快手）Kling 3.0 / 3.0 Omni（2026-02）✅（2.6 起）5 语多角色对白、多镜头故事板、4K（部分未确认）；66 积分/天免费、SynthID、非商用，出口/B2B 第一
Hailuo 海螺（MiniMax）Hailuo 02 / 2.3（2025-10）❌顶级运动与物理真实感、性价比之王；最大短板是无原生音频、片段偏短（1080p 仅 6 秒）
Seedance（字节/即梦/豆包）Seedance 2.0（2026-02）✅双榜 #1、单次可输入多至 9 图 + 3 视频 + 3 音频、方言唇形；2.0 非 1080p 原生（720p 放大）
Vidu（生数）Vidu Q3（2026-01）✅业内首个「单次长片原生音视频」、多图参考；Q = Quality（不是 Quarter）
RunwayGen-4.5（2025-12）❌（独立 Audio tab）顶级物理保真、跨镜头角色一致性、Motion Brush 丰富；已丢榜首、Gen-4 仅 I2V
PikaPika 2.5（约 2025-11）✅（Sound Effects）Scene Ingredients 多元素合成、Pikaframes 转场、一键特效；画质竞赛已掉队，免费层无水印且可商用
LumaRay3.2（2026-06）❌自然物理运动、Ray3 Modify 可保留真人表演做 AI 编辑；无原生音频
Adobe Firefly原地迭代（2025-12 大更新）❌训练数据商用安全、企业版有版权赔偿；本质是聚合器（托管 Kling/Veo/Runway 等）
NVIDIA CosmosCosmos 3（2026-05）⚠️ 仅环境音定位物理 AI / 世界模型（机器人、自动驾驶仿真），不是消费级视频工具
黑马Grok Imagine 1.5（xAI）、HappyHorse（阿里 ATH）、SkyReels V4（昆仑）、PixVerse V6（爱诗）✅I2V 榜 / 无音频榜冲击榜首，成本更低

4.3 旗舰深入之一：Seedance 2.0（字节，当前双榜 #1）

Seedance 2.0 是 2026 年上半年最值得关注的模型，它把榜首优势主要建立在原生音频上——去掉音频维度后，阿里的 HappyHorse 反而更高。几个关键点：

  • 全模态输入：单次可同时喂「文字 + 最多 9 张图 + 3 段视频 + 3 段音频」，做参考一致性、首尾帧、角色替换、视频续写都不在话下。
  • 原生音频：双声道立体声，BGM、环境音效、旁白并行生成，还支持多语种 + 方言（川粤）唇形同步。
  • 规格：原生 720p（1080p 靠放大），单段 4–15 秒，支持多镜头切换。
  • 国内入口：在即梦 AI / 豆包 app（豆包「照片动起来」每天约 5 次免费）里直接用；API 走火山引擎，海外走 fal.ai、Replicate。
  • 短板：非原生 1080p、复杂物理 / 多角色对话 / 唱歌仍不完美。

来源：Seedance 2.0 官方博客 · The Verge 报道 · Seedance 1.0 论文 (arXiv 2506.09113)

4.4 旗舰深入之二：Veo 3.1（Google，原生音频先驱）

  • 首创原生音频：从 Veo 3（2025-05 Google I/O）起，一次前向就同步输出对白、音效、环境声与画面，覆盖到 3.1 的「Ingredients to Video」（多参考图）、「Frames to Video」（首尾帧）、Extend、运镜等全部功能。
  • 规格：720p / 1080p / 4K，原生 8 秒（可扩展到 1 分钟+）。
  • 访问与价格：Gemini app、Google Flow、Gemini API、Vertex AI；Veo 3.1 Fast 约 0.15 美元/秒（8 秒约 1.2 美元）。Gemini 免费版里可用，约每天 3 个 8 秒视频，带不可见 SynthID 水印，免费层允许商用（按 Google 标准条款）。
  • 提示写法：Veo 3 对语法极其敏感，社区总结了一套 CASCADE 提示法——Camera（机位）→ Ambience（环境）→ Subject（主体）→ Context（场景）→ Action（动作）→ Dialogue（对白，用方括号如 [0s-2s] 角色: "..."）→ Emotion（情绪）；格式写错会静默生成无声片段。

来源：Google Veo 3.1 博客 · Google DeepMind Veo 页 · Google Cloud Veo 提示指南

4.5 免费层横向对比

模型免费额度水印免费层商用原生音频
Veo 3 / 3.1（Gemini 内）约 3 视频/天，8 秒不可见 SynthID允许✅
Kling 3.066 积分/天（仅 720p）可见 + 不可见 SynthID❌ 非商用✅
Hailuo约 2–5 次/天（768p 6 秒）有（右下角）❌❌
Seedance 2.0 / 即梦约 120 积分/天 + 豆包 5 次/天有（免费层）需付费 / API✅
Vidu Q380 积分/月 + Off-Peak 无限免费有（720p）❌ 非商用✅
Runway Gen-4 Turbo一次性 125 积分有（不可移）⚠️ 未确认❌
Pika 2.580 积分（仅 480p / I2V 特效）无水印允许✅
Luma约 30 次/月（720p）有❌ 非商用❌
Adobe Firefly有限月度积分取决于计划企业版有赔偿❌

结论性观察：免费层里最宽松且带原生音频的是 Pika（无水印 + 商用）和 Veo（经 Gemini，允许商用）；最严苛的是 Kling（SynthID + 非商用 + 仅 720p）。

五、原生音频：2026 的分水岭

这是 2026 年选型的第一分水岭：你的视频要不要带声音（对白、音效、配乐）？如果要，可选范围会立刻收窄一大半。

有原生音频（一次生成）没有原生音频（最大短板）
Veo 3 / 3.1（首创）、Sora 2、Seedance 2.0、Kling 2.6 / 3.0 Omni、Vidu Q3、PixVerse V6、SkyReels V4、Wan 2.7、Grok Imagine、开源 LTX-2Hailuo 全系、Runway（独立 Audio tab，非模型级）、Luma Ray 全系、Adobe Firefly、NVIDIA Cosmos（仅环境音）

为什么原生音频重要：以前做一支带声的视频要串起「生成画面 → TTS 配音 → 拟音 → 配乐」一整条流水线，音画对齐费时费力；原生音频让这些一次生成、天然同步，自动唇形、环境音、配乐全包，直接解锁了「有人物说话」的叙事视频。

提示：如果你要的是给已有视频配音、或单独做配乐，而不是「画面 + 声音一起生成」，那是另一条路——见姊妹篇《AI 音乐生成全景》（AI 作曲 / 免版税音乐），以及第七节的 LatentSync（给已有视频做唇形同步）。

来源：Google Developers Blog：Veo 3 · MiniMax Hailuo 2.3 公告 · Kling 2.6 音频指南

六、开源选型：Wan / HunyuanVideo / LTX-2 / CogVideoX 与对手们

6.1 主力开源模型横向对比

模型开发方许可证参数模态分辨率·时长最低显存
Wan 2.1阿里 Wan-AIApache 2.01.3B / 14BT2V / I2V / V2V / FLF2V14B 480P/720P 约 5 秒1.3B 约 8GB
Wan 2.2阿里 Wan-AIApache 2.0MoE A14B / TI2V-5B 等T2V / I2V / 统一 TI2V / S2V / AnimateA14B 720P 约 5 秒；TI2V-5B 720P@24fpsTI2V-5B 为 4090 24GB 设计
HunyuanVideo / -I2V腾讯⚠️ 社区许可（排除 EU/UK/SK 商用）13BT2V（+I2V 版）720P 约 5 秒FP8 + 分块 VAE 可压到 8GB
CogVideoX / 1.5智谱 THUDM2B / 5B-I2V 均 Apache 2.02B / 5BT2V / I2V约 6–10 秒，1.5 可到 1360×7682B 约 12GB
Mochi 1GenmoApache 2.010B仅 T2V480p 约 5.4 秒GGUF 可压到 24GB
LTX-Video / LTX-2LightricksApache 2.02B / 19BT2V / I2V / 首尾帧 + 多关键帧 / 原生音频LTX-2 原生 4K@50fps，单 pass 最长 20 秒GGUF 约 6GB
Open-Sora 2.0潞晨 hpcai-techApache 2.011BT2V / I2V（FLUX 初始化）768×768 约 5 秒FP8 约 22–24GB
Step-Video-T2V / TI2V阶跃星辰 StepFunMIT 代码（权重许可未确认）30BT2V / Text+Image→Video768×768 约 204 帧官方约 78GB，单卡走量化
Pyramid Flow北大 + 快手 + 北邮MIT2BT2V / I2V768p 约 10 秒@24fps<8GB（顺序 offload）
EasyAnimate / Latte阿里 PAI / 上海 AI LabApache 2.0—T2V / I2V——

来源：Wan 2.1 仓库 · Wan 2.2 仓库 · HunyuanVideo HF · CogVideo 仓库 · LTX-Video 仓库 · Open-Sora 2.0 论文 · Mochi 仓库

6.2 旗舰深入：Wan 2.2（目前开源综合首选）

  • 首个开源 MoE 视频模型：A14B 是 MoE（active-14B、总参约 27B），另有为消费卡设计的 TI2V-5B（统一 T2V + I2V，720P@24fps，单张 4090 约 9 分钟出一段）。
  • 模态覆盖最全：T2V、I2V、统一 TI2V、S2V-14B（语音驱动视频）、Animate-14B（角色动画）、编辑。
  • 量化友好：FP8/GGUF 可压到约 8–12GB；社区有 city96、Kijai 的现成量化权重和 ComfyUI 封装。
  • ⚠️ 两个易错点：Wan 2.2 没有官方 FLF2V（首尾帧）权重（网上是社区复用 Wan 2.1 节点的工作流）；Wan2.2-S2V 是「音频输入驱动」、不生成音频，和 Veo 3 的「生成音频」是两回事。

6.3 显存分级：你的卡能跑什么

显存推荐方案（含量化）
8GBWan2.1-T2V-1.3B（原生约 8GB）、CogVideoX 5B INT8、LTX-Video 2B GGUF（约 6GB）、LTX-2 GGUF（约 6GB + 充足内存）、HunyuanVideo FP8 + 分块 VAE（紧）
12GBWan 2.1/2.2 14B GGUF Q4/Q5（480p）、Wan2.2-TI2V-5B FP8、HunyuanVideo GGUF Q4_K_M、EchoMimic V3 Flash（数字人，1.3B）
16GBWan2.2 14B FP8（720p）、TI2V-5B FP8、HunyuanVideo FP8/Q6、LTX-2 dev FP8
24GB（3090/4090）Wan2.2-TI2V-5B @ 720P@24fps（甜点）、Wan2.1-I2V-14B GGUF Q6（720p）、HunyuanVideo BF16/Q8、CogVideoX 5B BF16
≥80GB任何模型非量化：Wan2.2-A14B、HunyuanVideo 13B、Step-Video 30B

关键技巧：把文本编码器（T5-XXL / UMT5XXL）做 CPU offload 可再省约 9GB，代价是每段多 10–20 秒；建议配 ≥32GB 内存。量化阶梯：Q8_0（近无损）→ Q6_K → Q5_K_M → Q4_K_M（实用下限）。量化仓库认准 city96、Kijai、unsloth/LTX-2-GGUF。

6.4 首尾帧 / 多关键帧：谁支持

模型首尾帧多关键帧（任意时间点）
LTX-Video / LTX-2✅✅ 原生（可链式，最多 4 张）
Wan 2.1✅ 官方 FLF2V-14B 权重❌（仅首 + 尾）
EasyAnimate V5.1✅❌
HunyuanVideo-I2V✅（需社区 LoRA）❌
CogVideoX / Mochi / Open-Sora❌❌

结论：要首尾帧，首选 Wan 2.1-FLF2V-14B（唯一官方权重）或 LTX-2（原生多关键帧）。

6.5 开源里的原生音频：只有 LTX-2

截至发稿，开源视频模型里带原生音频生成的只有 LTX-2 / LTXV 2.x 一家（视频 + 音频单 pass，最长 20 秒、4K@50fps）。其余 Wan / HunyuanVideo / CogVideoX / Mochi / Open-Sora / Step-Video 都不生成音频；Wan2.2-S2V 是「用音频驱动」而非「生成音频」。

来源：LTX-2 发布稿（首个完整开源视频基础模型） · unsloth/LTX-2-GGUF · Wan 2.2 显存说明（willitrunai）

七、数字人 / 口播 / 唇形同步：一个独立赛道

数字人口播（音频驱动一张人像说话）虽然也算「AI 生成视频」，但它有一套完全不同的模型生态——多为轻量、实时或近实时、专注口型与表情，和上面那些做大片的大模型不是一回事。

模型许可证亮点
EchoMimic V1/V2/V3 Flash（蚂蚁）Apache 2.0V3 Flash 仅 1.3B / 12GB 显存，最实用的开源数字人
Hallo / Hallo2 / Hallo3（复旦 + 百度 + 阿里）MITHallo2 首个 4K + 时长级肖像；Hallo3 基于 CogVideoX-5B-I2V
LatentSync 1.6（字节）Apache 2.0给已有视频做唇形同步（不是静图），事实上的工作马
JoyHallo（京东健康）MIT中文首选（少数主打中文的开源数字人）
MimicMotion（腾讯 + 上交）Apache 2.0姿态驱动、全身
Ditto（蚂蚁）Apache 2.0实时、TensorRT 加速
Wan2.2-Animate-14BApache 2.0视频驱动角色动画（Wan 系继作）
SadTalkerApache 代码 ⚠️ 捆绑 NC 权重经典，但商用须替换权重
Sonic / LivePortraitCC-BY-NC / MIT 代码（InsightFace NC）学术强、商用受限

⚠️ 商用安全提醒：挑数字人模型要特别小心「捆绑的 NC（非商用）权重」——SadTalker 的 face-vid2vid + BFM、LivePortrait 的 InsightFace 都是 NC，代码许可干净不等于权重干净。图省事、要稳定商用，直接选商业产品 HeyGen / Hedra / D-ID（GAN / 实时方向）。

来源：EchoMimic V3 仓库 · LatentSync 仓库 · Hallo2 仓库 · JoyHallo 仓库

八、免费与国内工具速览 + 实操指南

版权提示：和音乐那篇一样，绝大多数网页免费层不可商用、且带水印；本节只作全景与「怎么先白嫖试起来」，正式商用前务必读各平台最新条款。

8.1 免费跑开源模型（不用自己的 GPU）

方式说明成本
HF Spaces（ZeroGPU）Wan 2.2 / Hunyuan / CogVideoX / LTX 都有官方或社区 Space，浏览器直用免费约 5 分钟/天 + 每日约 3 次请求上限；PRO 约 9 美元/月 = 40 分钟
fal.ai托管大量开源视频模型，最便宜的 API 通道CogVideoX 约 0.20 美元/段、Wan 2.5 约 0.05 美元/秒
Replicate按秒计费⚠️ 2025-07 起新账号无永久免费层（预付额度制）
Vast.ai / RunPod按小时租 GPU，自带 ComfyUI 模板H100 约 1.8–2 美元/小时
本地 ComfyUICogVideoX / Wan / HunyuanVideo 都有成熟节点仅电费，门槛见 6.3
硅基流动 SiliconFlowOpenAI-SDK 兼容、国内直连⚠️ 旧文常说的「免费 Hunyuan/CogVideoX」已下线失效，目前只剩 Wan2.2-A14B（约 0.29 美元/段），1 美元注册赠额

来源：HF ZeroGPU 文档 · fal.ai Wan 2.2 指南 · 硅基流动

8.2 国内工具（免翻墙、中文友好）

工具免费额度水印片长亮点
即梦 AI / Dreamina（字节）新用户约 800 秒 + 约 260 积分/天有多档Seedance 2.0 的国内主入口
可灵 Kling（快手）66 积分/天有（SynthID）720p3.0 多镜头 + 5 语原生音频
海螺 Hailuo（MiniMax）试用约 3 段/天有768p 6 秒顶级运动物理
Vidu（生数）80 积分/月 + Off-Peak 无限免费有（720p）1080p长片原生音视频、多图参考
智谱清影（智谱）本地 CogVideoX 免费可商用——开源即免费、商用干净
通义万相（阿里）Wan2.6 在 Qwen APP 免费有—Wan 模型的官方网页入口
腾讯元宝HunyuanVideo 1.5 免费有—腾讯 Hunyuan 入口
PixVerse（爱诗）100 + 30 积分/天取决于档1080p 15 秒多镜头 + 原生音频

8.3 免费层商用现实（和音乐那篇同款结论）

  • 网页免费层几乎都禁商用 + 强制水印：Kling / Hailuo / Vidu / Dreamina / 即梦 / PixVerse 全部如此，商用要从付费档（约 7–18 美元/月）起。
  • 不可见水印无法移除：Kling 的 SynthID、Dreamina 的 C2PA 是像素级不可见水印，第三方工具去除违反 ToS。
  • 真正「免费 + 可商用」= 本地开源：CogVideoX（智谱，Apache）最干净、最安全；Wan / LTX 同为 Apache；⚠️ HunyuanVideo 是社区许可、排除欧盟/英国/韩国商用、>1 亿 MAU 还要单独授权，不是纯开源，商用前务必确认你的所在地。

8.4 推荐路线阶梯

需求推荐路线
最简：网页零配置试水（非商用）Vidu（Off-Peak 无限免费）/ 即梦（Seedance 2.0）/ 可灵
可脚本：便宜或免费 API硅基流动 1 美元赠额跑 Wan2.2 + HF ZeroGPU PRO（约 9 美元/月，任意开源模型）
全控 + 可商用：本地或租 GPU本地 ComfyUI 跑 CogVideoX（Apache、商用干净）；要更高画质就租 GPU 跑 Wan2.2（Vast.ai 约 1.8 美元/小时）

来源：各平台官方定价页 · HF ZeroGPU 配额 · CogVideoX 仓库（Apache 2.0）

九、按用途选型决策表

你的用途推荐方案
要最高画质的商业成片Seedance 2.0 / Kling 3.0 / Veo 3.1（三选一，按能否访问与价格）
要一次出「画面 + 声音」Veo 3.1 / Seedance 2.0 / Kling 3.0 Omni；预算有限或要开源 → LTX-2
让一张静图动起来单图 I2V：Wan 2.2 / HunyuanVideo-I2V / Runway Gen-4.5
精准控制开头和结尾首尾帧：Wan 2.1-FLF2V / LTX-2（多关键帧）/ Kling Start & End Frames
跨镜头角色 / 物体一致Pika 2.5 Scene Ingredients / Wan 2.7 R2V / Seedance 多图
本地免费 + 可商用CogVideoX（Apache，最干净）/ Wan（Apache）/ LTX-2（Apache，还带音频）
低显存尝鲜（8–12GB）LTX-Video / CogVideoX-2B / Wan2.1-1.3B
数字人口播 / 教程开源 EchoMimic V3 / LatentSync / JoyHallo（中文）；图省事 → 商业 HeyGen
给已有视频配音、做唇形LatentSync 1.6（开源）/ 商业 HeyGen
物理仿真 / 机器人训练数据NVIDIA Cosmos 3

一句话总原则：先定「模态」，再定「开源 / 商业」，最后看「显存与商用许可」——三者按这个顺序筛，几乎总能快速收敛到一两个答案。

十、参考资料

排行榜与行业

论文与技术原理

开源模型仓库

商业模型官方

实操接入

学习笔记