Modelos de vídeo locais comparados: o que realmente roda no hardware de consumo

TL;DR

• Wan2.1 T2V-1.3B é o mais acessível para GPUs de consumo, com 8.19 GB de VRAM.
• CogVideoX-5B roda com apenas 5 GB com otimizações.
• Mochi 1 entrega qualidade em 480p, mas exige 60 GB nativos ou 20 GB otimizados.
• LTX-Video demanda 32 GB+ de memória de GPU para inferência local.

Nem todos os modelos de vídeo locais têm os mesmos requisitos de hardware. Embora muitos dependam de APIs na nuvem, várias opções open-source rodam localmente — se a sua GPU tiver VRAM suficiente. Veja abaixo o que de fato funciona em hardware de consumo.

A realidade das GPUs de consumo

A pergunta central da geração de vídeo local é simples: quanta VRAM ela exige? A resposta varia bastante entre modelos. Alguns pedem 8 GB, outros precisam de 60 GB ou mais. Entender esses requisitos é decisivo antes de baixar pesos de modelo de vários gigabytes (fonte).

Mochi 1: o desafio dos 10 bilhões de parâmetros

Mochi 1 é um modelo de geração de vídeo com 10 bilhões de parâmetros da Genmo. O model card afirma que exige aproximadamente 60 GB de VRAM ao rodar em uma GPU única, de forma nativa (fonte).

Isso reflete a arquitetura do Mochi: um Asymmetric Diffusion Transformer (AsymmDiT) de 10B parâmetros, combinado com um codificador de texto T5-XXL e um VAE próprio. O fluxo visual tem quase 4 vezes os parâmetros do fluxo de texto, exigindo memória substancial.

Dá para rodar em hardware de consumo? Com otimizações do ComfyUI — CPU offloading e quantização FP8 — a exigência de VRAM cai para menos de 20 GB. O ComfyUI-MochiWrapper exige o ComfyUI com dependências PyTorch atualizadas — veja solução de problemas de instalação do ComfyUI para questões comuns.

O Mochi gera nativamente em resolução 480p (fonte). O modelo foi originalmente treinado em 4×H100 (relato comunitário Civitai 8313), o que torna a compressão para hardware de consumo uma conquista significativa.

LTX-Video: geração em tempo real em H100

O LTX-Video, da Lightricks, segue outra abordagem. O paper descreve um modelo de difusão latente baseado em transformer com Video-VAE que alcança taxa de compressão espaço-temporal de 1:192. Ao mover a patchificação para a entrada do VAE, a arquitetura permite autoatenção espaço-temporal completa em um espaço latente altamente comprimido — tornando a geração em tempo real viável em hardware da classe H100.

A variante destilada de 2B afirma ter inferência 15× mais rápida que a não destilada, sem exigir CFG nem STG. Porém, essas afirmações vêm das notas de release do repositório LTX-Video, não de um benchmark independente, e benchmarks em GPUs de consumo (RTX 4090) não são fornecidos.

Viabilidade em GPU de consumo: o mínimo de 32 GB+ no ComfyUI mira hardware profissional, não GPUs de consumo. O paper do LTX-Video faz benchmark em H100, não em GPUs classe RTX, e a afirmação de "15× mais rápido" da variante distilada de 2B vem das notas de release do repositório — não de um benchmark independente.

CogVideoX-5B: a opção de baixa VRAM

O CogVideoX-5B, da THUDM, oferece uma proposta diferente. O model card afirma explicitamente que a inferência diffusers em BF16 começa a partir de 5 GB de VRAM com CPU offloading ativado.

Isso torna o CogVideoX-5B uma das opções mais acessíveis para geração de vídeo local. O valor de 5 GB assume otimizações como enable_model_cpu_offload() e vae.enable_tiling() ativas. Sem elas, o pico de VRAM sobe para cerca de 15 GB.

Especificações principais (fonte):

• Resolução: fixa em 720×480 (proporção 16:9)
• Duração: 6 segundos (fonte)
• Taxa de quadros: 8 FPS (fonte)
• Limite de prompt: 226 tokens (somente em inglês) (fonte)

O modelo suporta quantização INT8 via PyTorchAO, o que teoricamente permite execução em instâncias gratuitas T4 do Colab ou em GPUs de consumo menores. Porém, isso exige PyTorch nightly e builds da fonte — configuração não trivial para a maioria dos usuários.

Wan2.1 T2V-1.3B: o vencedor claro em consumo

O Wan2.1 T2V-1.3B, da equipe Wan, faz uma afirmação ousada: 8.19 GB de VRAM bastam para inferência em GPUs de consumo. O model card afirma explicitamente que ele gera um vídeo 480P de 5 segundos em uma RTX 4090 em cerca de 4 minutos sem otimização adicional.

Isso torna o Wan2.1 T2V-1.3B o único modelo desta comparação com afirmação explícita de rodar em "praticamente todas as GPUs de consumo". A arquitetura alcança isso por design cuidadoso: um DiT de 1.3B parâmetros com codificador de texto T5-XXL, mas com menos camadas e dimensões de feedforward menores do que a variante de 14B (fonte).

O modelo suporta resoluções de 480P e 720P, embora 480P seja a recomendada para estabilidade. O código de inferência fornece as opções --offload_model True e --t5_cpu para reduzir ainda mais a VRAM em hardware marginal (fonte).

HunyuanVideo: a opção high-end

Para mais sobre requisitos de VRAM de modelos de imagem e vídeo, veja guia de requisitos de VRAM.

Este modelo de 13B+ parâmetros usa VAE causal 3D e codificador de texto MLLM. Embora os pesos quantizados em FP8 reduzam um pouco a memória, a exigência de base supera a maioria das GPUs de consumo. O card do HunyuanVideo também observa que são necessários 45 GB de VRAM para a variante menor de 544×960.

Kling AI: acesso apenas via nuvem

O Kling AI, da Kuaishou, representa a abordagem somente API. O serviço lançou globalmente com 66 "Inspiration Credits" diários (fonte), aproximadamente equivalentes a seis vídeos gratuitos. Os planos de assinatura na China variam de RMB66 a RMB666 mensais (fonte).

A plataforma suporta texto-para-vídeo, imagem-para-vídeo e várias capacidades de edição. Porém, não existe opção de inferência local — o modelo é acessível apenas pela web.

Tabela de comparação de modelos

Model | Min VRAM | GPU Tier | Local Run? | API Alternative

|-------|----------|----------|------------|-----------------

Mochi 1 | ~20 GB (otimizado) | RTX 3090/4090 | Limítrofe | genmo.ai/play LTX-Video 2B distilado | ~8–16 GB (estimado) | RTX 3080/4080 | Incerto | ltx.studio CogVideoX-5B | 5 GB (diffusers) | GTX 1660/RTX 3060 | Sim | QingYing API Wan2.1 T2V-1.3B | 8.19 GB | RTX 4060/3060 | Sim | WanAPI HunyuanVideo | 45–60 GB | A100/H100 | Não | Tencent cloud Kling AI | N/A | — | Não | klingai.com

Considerações principais

Resolução e taxa de quadros

A maioria dos modelos open-source gera em resoluções inferiores às APIs comerciais. Tanto o CogVideoX-5B quanto o Wan2.1 T2V-1.3B produzem vídeo em 480P. Mochi e LTX-Video suportam resoluções mais altas, mas exigem mais VRAM (fonte Mochi).

As taxas de quadros variam: o CogVideoX usa 8 FPS, enquanto o LTX-Video mira 30 FPS para saída em tempo real.

Requisitos de prompt

Prompts em inglês funcionam melhor em todos os modelos. Tanto CogVideoX-5B quanto Mochi têm limite de 226 tokens de prompt. O Wan2.1 suporta geração de texto em chinês e inglês, sendo único entre as opções locais.

Qualidade vs. velocidade

Para fluxos de trabalho práticos que aceleram a inferência nesses modelos, veja guia de aceleração de geração de vídeo.

Otimizações da comunidade

Muitos modelos "locais" dependem de wrappers comunitários para uso prático em consumo. O ComfyUI-MochiWrapper permite rodar o Mochi em hardware de consumo via CPU offloading e quantização FP8. Ferramentas comunitárias similares existem para CogVideoX e LTX-Video, embora não sejam oficialmente documentadas.

Recomendações

Para donos de RTX 4090: Wan2.1 T2V-1.3B oferece o melhor equilíbrio entre qualidade e acessibilidade. CogVideoX-5B fornece uma configuração mais simples com requisitos de VRAM mais baixos.

Para GPUs de menor VRAM (12 GB ou menos): CogVideoX-5B com CPU offloading no diffusers é a melhor aposta. O caminho da quantização INT8 teoricamente permite rodar em GPUs ainda menores.

Para qualidade máxima (e 40 GB+ de VRAM): Mochi 1 e LTX-Video entregam saída superior, embora a capacidade de tempo real do LTX-Video em hardware da classe H100 seja imbatível.

Para fluxos de GPU na nuvem e setups estilo RunPod: veja guia de treino em GPU na nuvem para o fluxo de split de decodificação latente do Mochi.

Para acesso via API: Kling AI e LTX-Studio dão acesso imediato sem investimento em hardware, embora ao custo de controle e taxas de uso contínuas.

Erros comuns e correções

Mochi exige configuração cuidadosa da GPU: a quantização FP8 deve ser pareada com CPU offloading para atingir a meta de 20 GB. Garanta que o ComfyUI-MochiWrapper esteja instalado corretamente com as dependências PyTorch atuais.

LTX-Video precisa de VRAM substancial: mesmo a variante distilada de 2B exige 32 GB+ no ComfyUI. Considere inferência na nuvem (LTX-Studio) ou upgrade da GPU para além de 32 GB.

A otimização do CogVideoX é complexa: exige PyTorchAO para quantização INT8 e CPU offloading adequado. Use diffusers com CPU offloading; evite PyTorchAO, exceto se experiente.

Wan2.1 tem requisitos específicos de hardware: mínimo de 8.19 GB, mas otimizações opcionais podem aumentar o uso de VRAM. Use --offload_model True e --t5_cpu para menor uso de VRAM.

HunyuanVideo é um modelo de classe profissional: exige 60 GB+ de VRAM, superando a maioria das GPUs de consumo. Use serviços na nuvem ou considere a variante de 14B com 60 GB+ de VRAM.

FAQ

Posso rodar o Mochi 1 em uma única GPU de consumo? Com otimizações do ComfyUI e quantização FP8, sim — em hardware da classe RTX 3090/4090. A exigência nativa de VRAM é de ~60 GB.

Qual a VRAM mínima para inferência local do LTX-Video? A integração com ComfyUI especifica 32 GB+ para o LTX-2. Os requisitos de VRAM do LTX-Video original para GPUs de consumo não estão explicitamente documentados.

Como o CogVideoX se compara ao Wan2.1 em hardware de consumo? O CogVideoX-5B roda com apenas 5 GB com otimizações. O Wan2.1 T2V-1.3B exige 8.19 GB, mas gera mais rápido (4 minutos vs 3+ minutos para qualidade similar).

Qual modelo de vídeo local roda melhor em uma RTX 4090? O Wan2.1 T2V-1.3B oferece o melhor custo-benefício para donos de 4090. Para qualidade máxima, considere o Mochi 1 com otimizações do ComfyUI.

O Kling AI está disponível como API ou só via web? O Kling AI é atualmente somente web/API. Não existe opção de inferência local (fonte).