Modelos Locales de Video Comparados: Qué Funciona Realmente en Hardware de Consumo

TL;DR

• Wan2.1 T2V-1.3B es el más accesible para GPUs de consumo, con 8,19 GB VRAM
• CogVideoX-5B se ejecuta desde 5 GB con optimizaciones
• Mochi 1 ofrece calidad en 480p, pero requiere 60 GB nativos o 20 GB optimizados
• LTX-Video necesita 32 GB o más de memoria GPU para inferencia local

No todos los modelos de video locales son iguales en requisitos de hardware. Mientras que muchos modelos requieren APIs en la nube, varias opciones de código abierto pueden ejecutarse de forma local—si tu GPU tiene suficiente VRAM. Aquí tienes un desglose de lo que realmente funciona en hardware de consumo.

La Realidad de las GPU de Consumo

La pregunta fundamental para la generación de video local es simple: ¿cuánta VRAM necesita? La respuesta varía drásticamente entre modelos. Algunos requieren 8 GB, otros necesitan 60 GB o más. Comprender estos requisitos es crítico antes de descargar pesos de modelo de varios gigabytes (fuente).

Mochi 1: El Reto de los 10 Mil Millones de Parámetros

Mochi 1 es un modelo de generación de video de 10 mil millones de parámetros de Genmo. La ficha del modelo afirma que requiere aproximadamente 60 GB de VRAM al ejecutarse en una sola GPU de forma nativa (fuente).

Esto refleja la arquitectura de Mochi: un Asymmetric Diffusion Transformer (AsymmDiT) de 10 mil millones de parámetros acompañado de un codificador de texto T5-XXL y un VAE personalizado. El flujo visual tiene casi 4 veces los parámetros del flujo de texto, exigiendo memoria sustancial.

¿Puede ejecutarse en hardware de consumo? Con optimizaciones de ComfyUI—descarga a CPU y cuantización FP8—la VRAM requerida baja a menos de 20 GB. El ComfyUI-MochiWrapper requiere ComfyUI con las dependencias de PyTorch actualizadas—consulta la solución de problemas de instalación de ComfyUI para casos habituales.

Mochi genera en resolución 480p de forma nativa (fuente). El modelo se entrenó originalmente en 4× GPU H100 (informe de la comunidad de Civitai 8313), por lo que comprimirlo a hardware de consumo es un logro significativo.

LTX-Video: Generación en Tiempo Real en H100

LTX-Video, de Lightricks, adopta un enfoque distinto. El artículo describe un modelo de difusión latente basado en transformadores con un Video-VAE que logra una relación de compresión espaciotemporal de 1:192. Al reubicar la patchificación en la entrada del VAE, la arquitectura permite autoatención espaciotemporal completa en un espacio latente altamente comprimido—haciendo que la generación en tiempo real sea factible en hardware clase H100.

La variante distilada de 2B afirma una inferencia 15× más rápida que la no distilada, sin requisitos de CFG ni STG. Sin embargo, estas afirmaciones provienen de las notas de release del repositorio de LTX-Video y no de un benchmark independiente, y no se proporcionan benchmarks explícitos en GPU de consumo (RTX 4090).

Viabilidad en GPU de consumo: El mínimo de 32 GB+ para ComfyUI está orientado a hardware profesional más que a GPUs de consumo. El artículo de LTX-Video hace benchmarks en H100, no en GPU RTX, y la afirmación de "15× más rápido" de la variante distilada de 2B proviene de las notas de release del repositorio de LTX-Video—no de un benchmark independiente.

CogVideoX-5B: La Opción de Bajo VRAM

CogVideoX-5B, de THUDM, ofrece una propuesta diferente. La ficha del modelo afirma explícitamente que la inferencia diffusers en BF16 comienza desde 5 GB de VRAM con descarga a CPU activada.

Esto convierte a CogVideoX-5B en una de las opciones más accesibles para video local. La cifra de 5 GB asume optimizaciones como enable_model_cpu_offload() y vae.enable_tiling() activas. Sin ellas, el pico de VRAM sube a unas 15 GB.

Especificaciones clave (fuente):

• Resolución: Fija a 720×480 (relación de aspecto 16:9)
• Duración: 6 segundos (fuente)
• Velocidad de fotogramas: 8 FPS (fuente)
• Límite de longitud de prompt: 226 tokens (solo inglés) (fuente)

El modelo admite cuantización INT8 mediante PyTorchAO, permitiendo en teoría ejecutarlo en instancias T4 gratuitas de Colab o GPUs de consumo menores. Sin embargo, esto requiere PyTorch nightly y compilaciones desde código—una configuración no trivial para la mayoría de usuarios.

Wan2.1 T2V-1.3B: El Ganador Claro para Consumo

Wan2.1 T2V-1.3B, del equipo Wan, hace una afirmación audaz: 8,19 GB de VRAM es suficiente para inferencia en GPUs de consumo. La ficha del modelo afirma explícitamente que puede generar un video de 5 segundos a 480P en una RTX 4090 en unos 4 minutos sin optimización adicional.

Esto hace de Wan2.1 T2V-1.3B el único modelo de esta comparación con una afirmación explícita de ejecutarse en "casi todas las GPUs de consumo". La arquitectura lo logra mediante un diseño cuidadoso: un DiT de 1,3 mil millones de parámetros con un codificador de texto T5-XXL, pero con menos capas y dimensiones feedforward más pequeñas que la variante de 14B (fuente).

El modelo admite resolución 480P y 720P, aunque la 480P se recomienda para mayor estabilidad. El código de inferencia proporciona las opciones --offload_model True y --t5_cpu para reducir aún más los requisitos de VRAM en hardware marginal (fuente).

HunyuanVideo: La Opción de Gama Alta

Para más sobre requisitos de VRAM de modelos de imagen y video, consulta la guía de requisitos de VRAM.

Este modelo de más de 13 mil millones de parámetros usa un VAE causal 3D y un codificador de texto MLLM. Aunque los pesos en FP8 reducen algo la memoria, el requisito base supera la mayoría de las GPU de consumo. La ficha de HunyuanVideo también señala que se necesitan 45 GB de VRAM para la variante de resolución 544×960 más pequeña.

Kling AI: Acceso Solo en la Nube

Kling AI, de Kuaishou, representa el enfoque de API exclusiva. El servicio se lanzó globalmente con 66 "Inspiration Credits" diarias (fuente, equivalentes aproximadamente a seis vídeos gratuitos). Los planes de suscripción en China van de RMB66 a RMB666 al mes (fuente).

La plataforma admite texto a video, imagen a video y varias funciones de edición. Sin embargo, no hay opción de inferencia local—el modelo es de acceso exclusivo por web.

Tabla de Comparación de Modelos

Modelo | VRAM mín. | Nivel de GPU | ¿Se ejecuta local? | Alternativa API -------|----------|----------|------------|----------------- Mochi 1 | ~20 GB (optimizado) | RTX 3090/4090 | Marginal | genmo.ai/play LTX-Video 2B distilado | ~8–16 GB (estimado) | RTX 3080/4080 | Incierto | ltx.studio CogVideoX-5B | 5 GB (diffusers) | GTX 1660/RTX 3060 | Sí | QingYing API Wan2.1 T2V-1.3B | 8,19 GB | RTX 4060/3060 | Sí | WanAPI HunyuanVideo | 45–60 GB | A100/H100 | No | Tencent cloud Kling AI | N/D | — | No | klingai.com

Consideraciones Clave

Resolución y Velocidad de Fotogramas

La mayoría de los modelos de código abierto generan a resoluciones más bajas que las API comerciales. CogVideoX-5B y Wan2.1 T2V-1.3B producen ambos video 480P. Mochi y LTX-Video admiten resoluciones superiores, pero requieren más VRAM (fuente de Mochi).

La velocidad de fotogramas varía: CogVideoX usa 8 FPS, mientras que LTX-Video apunta a 30 FPS para salida en tiempo real.

Requisitos de Prompt

Los prompts en inglés funcionan mejor en todos los modelos. Tanto CogVideoX-5B como Mochi tienen límites de 226 tokens de prompt. Wan2.1 admite generación de texto en chino e inglés, lo que lo hace único entre las opciones locales.

Ventajas de Calidad frente a Velocidad

Para flujos de trabajo prácticos para acelerar la inferencia en estos modelos, consulta la guía de aceleración de generación de video.

Optimizaciones de la Comunidad

Muchos modelos "locales" dependen de envolturas de la comunidad para un uso práctico en consumo. El ComfyUI-MochiWrapper permite ejecutar Mochi en hardware de consumo mediante descarga a CPU y cuantización FP8. Existen herramientas comunitarias similares para CogVideoX y LTX-Video, aunque no están documentadas oficialmente.

Recomendaciones

Para propietarios de RTX 4090: Wan2.1 T2V-1.3B ofrece el mejor equilibrio entre calidad y accesibilidad. CogVideoX-5B proporciona una configuración más sencilla con menores requisitos de VRAM.

Para GPUs de VRAM más bajo (12 GB o menos): CogVideoX-5B con diffusers y descarga a CPU es tu mejor opción. La ruta de cuantización INT8 permite en teoría ejecutar modelos en GPU aún más pequeñas.

Para máxima calidad (y 40 GB o más de VRAM): Mochi 1 y LTX-Video entregan salida superior, aunque la capacidad en tiempo real de LTX-Video en hardware clase H100 no tiene parangón.

Para flujos de trabajo en GPU en la nube y configuraciones estilo runpod: consulta la guía de entrenamiento en GPU en la nube para el flujo de decodificación latente de Mochi.

Para acceso por API: Kling AI y LTX-Studio proporcionan acceso inmediato sin inversión en hardware, aunque a costa de control y tarifas de uso continuas.

Common Errors and Fixes

Mochi requiere configuración GPU cuidadosa: La cuantización FP8 debe ir acompañada de descarga a CPU para cumplir el objetivo de 20 GB. Asegúrate de que ComfyUI-MochiWrapper esté correctamente instalado con las dependencias actuales de PyTorch.

LTX-Video necesita VRAM sustancial: Incluso la variante distilada de 2B requiere 32 GB+ en ComfyUI. Considera la inferencia en la nube (LTX-Studio) o una GPU con más de 32 GB de capacidad.

La optimización de CogVideoX es compleja: Requiere PyTorchAO para cuantización INT8 y la descarga adecuada a CPU. Usa diffusers con descarga a CPU y evita PyTorchAO salvo que tengas experiencia.

Wan2.1 tiene requisitos de hardware específicos: Mínimo de 8,19 GB, pero las optimizaciones opcionales pueden aumentar el uso de VRAM. Usa --offload_model True y --t5_cpu para menor uso de VRAM.

HunyuanVideo es un modelo de clase profesional: Requiere 60 GB+ de VRAM, superando la mayoría de las GPU de consumo. Usa servicios en la nube o considera la variante de 14B con 60 GB+ de VRAM.

FAQ

¿Puedo ejecutar Mochi 1 en una sola GPU de consumo? Con optimizaciones de ComfyUI y cuantización FP8, sí—en hardware de la clase RTX 3090/4090. El requisito de VRAM nativo es ~60 GB.

¿Cuál es la VRAM mínima para inferencia local de LTX-Video? La integración de ComfyUI especifica 32 GB+ para LTX-2. Los requisitos de VRAM de LTX-Video original para GPUs de consumo no están documentados explícitamente.

¿Cómo se compara CogVideoX con Wan2.1 en hardware de consumo? CogVideoX-5B se ejecuta desde 5 GB con optimizaciones. Wan2.1 T2V-1.3B requiere 8,19 GB pero genera más rápido (4 minutos frente a 3+ minutos para calidad similar).

¿Qué modelo de video local funciona mejor en una RTX 4090? Wan2.1 T2V-1.3B ofrece la mejor relación calidad/precio para propietarios de 4090. Para máxima calidad, considera Mochi 1 con optimizaciones de ComfyUI.

¿Kling AI está disponible como API o solo web? Kling AI es actualmente solo web/API. No existe opción de inferencia local (fuente).