2025年最高の 254 個のテキスト生成ビデオツール

X-CLIPはCLIPの拡張版で、汎用ビデオ言語理解のために(ビデオ、テキスト)ペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。

DiTベースの初の動画生成モデルで、高品質な動画をリアルタイムに生成可能。テキストから動画、画像+テキストから動画の2つのシナリオに対応。

Wan2.1-VACE-14BモデルのGGUF形式のバージョンで、主にテキストからビデオの生成タスクに使用されます。

超高速テキスト生成動画モデル、生成速度はオリジナルAnimateDiffの10倍以上

V-Expressは、オーディオと顔のキーポイント条件に基づいて生成されるビデオ生成モデルで、オーディオ入力を動的なビデオ出力に変換できます。

CogVideoXは清影に由来する動画生成モデルのオープンソース版で、高品質な動画生成能力を提供します。

LLaVA-NeXT-Videoはオープンソースのマルチモーダルチャットボットで、動画と画像データの混合トレーニングにより優れた動画理解能力を獲得し、VideoMMEベンチマークでオープンソースモデルのSOTAレベルを達成しました。

万2.1は、動画生成の境界を突破することを目的とした包括的なオープンな動画基盤モデルで、中英テキストから動画生成、画像から動画生成など様々なタスクをサポートします。

万2.1は包括的に開放されたビデオ基盤モデルで、トップクラスの性能、コンシューマー向けGPUサポート、マルチタスク対応、視覚テキスト生成、高効率ビデオVAEなどの特徴を備えています。

万2.1は包括的なオープンソース動画基盤モデルで、テキストから動画生成、画像から動画生成、動画編集、テキストから画像生成、動画から音声生成など多様なタスクに対応し、日中バイリンガルのテキスト生成をサポートします。

GGUF形式に変換されたテキスト生成動画モデルで、ComfyUI-GGUFカスタムノードを使用可能

CogVideoXは清影に由来するオープンソースの動画生成モデルで、2Bバージョンは入門モデルとして互換性と実行・二次開発コストのバランスが取れています。

AnimateLCMは個人化された動画データを必要としない効率的な個性化スタイル動画生成モデルで、わずか4ステップの推論で高品質な動画を生成できます。

Wan動画のGGUF量子化バージョンはテキストから動画を生成するモデルで、古いまたは低スペックマシンに適しており、GGUFファイルを通じた効率的な推論をサポートします。

Lightricks/LTX-Videoの13b-0.9.7-devバリアントをGGUF量子化したバージョンで、テキストから動画生成および画像から動画生成タスクをサポートします。

Wan2.1-Fun-1.3Bはテキストから動画を生成するモデルで、マルチ解像度トレーニングと先頭フレーム・末尾フレーム予測をサポートしています。

万2.1は包括的にオープンな動画基盤モデルで、動画生成の境界を突破し、テキストから動画生成、画像から動画生成など多様なタスクをサポートします。

WebVidデータセットのサブセットでトレーニングされたCLIP4Clipビデオ-テキスト検索モデル、大規模なビデオ-テキスト検索アプリケーション向け

多段階テキストから動画生成拡散モデルに基づき、英語の記述テキストを入力すると、テキストに合致した動画を返す

阿里巴巴PAIがリリースした14Bパラメータ規模のマルチモーダルモデルで、テキストから動画生成タスクをサポート

Modelscopeベースの透かしなし動画生成モデル、16:9画面比率と滑らかな動画出力を最適化

CogVideoXは清影に似たオープンソースの動画生成モデルで、高解像度動画生成をサポートしています

マルチ解像度トレーニング及び先頭フレームと末尾フレーム予測をサポートするテキストから動画生成モデル

VACEは、全能型のビデオ創作と編集モデルで、参照ビデオ生成、ビデオからビデオへの編集、マスクビデオからビデオへの編集などの様々なタスクをサポートします。

Wan2.1は包括的でオープンな動画基盤モデルであり、動画生成の境界を突破し、様々な動画生成と編集タスクをサポートします。

LLaVA-Next-Videoはオープンソースのマルチモーダルダイアログモデルで、大規模言語モデルをマルチモーダル指示追従データで微調整しており、ビデオとテキストのマルチモーダルインタラクションをサポートします。

Lightricks/LTX-Videoモデルを基にしたGGUF量子化バージョンで、テキストから動画生成、画像から動画生成、動画から動画生成のタスクをサポート

阿里雲PAIチームが開発したテキストから動画を生成するモデルで、マルチ解像度トレーニングと先頭・末尾フレーム予測をサポート

Wan2.1-Fun-1.3BはアリババPAIチームによって開発されたテキストから動画を生成するモデルで、マルチ解像度トレーニングと先頭・末尾フレーム予測をサポートしています。

Cosmos-Reason1はNVIDIAが開発した物理AIモデルで、物理常識を理解し、長鎖思考推論を通じて身体化された意思決定の自然言語を生成できます。

万2.1版はオープンで先進的な大規模動画生成モデルで、テキストから動画生成、画像から動画生成など多様なタスクをサポートし、コンシューマー向けGPUに対応しています。

LTX-Videoはテキストから動画を生成するモデルで、テキストや画像から動画コンテンツを生成できます。

Tencent幻影動画モデルのGGUF量子化バージョン、ComfyUI専用設計、テキストから動画生成タスク用

動的LoRAsモデル、アニメーションに特定の種類のモーション効果を追加

MoviiGen 1.1はWan2.1を微調整した映画級ビデオ生成モデルで、映画美学と視覚品質に優れた性能を発揮します。

阿里巴巴PAIがリリースした14Bパラメータ規模のマルチモーダルモデルで、テキストから動画生成タスクをサポート

X-CLIPはCLIPのミニマルな拡張で、汎用的な動画と言語の理解のために設計されており、(動画、テキスト)ペアで対照的に訓練され、ゼロショット、少数ショット、または完全教師ありの動画分類や動画-テキスト検索などのタスクに適しています。

NVIDIAが開発した拡散アーキテクチャに基づくマルチモーダル世界ファウンデーションモデルで、テキスト入力に基づいて高品質な物理知覚ビデオを生成可能

Diffusersで実装されたLTX-Videoモデルで、テキストや画像から高品質な動画を生成可能

アリババグループのTongyi Labが開発したオープンソースの動画合成コードライブラリで、複数の先進的な動画生成モデルを統合

Diffusersフォーマットに基づくLTX-Videoモデルで、テキストから動画生成と画像から動画生成機能をサポート

SkyReels V2は無限長の映画生成モデルで、自己回帰拡散強制アーキテクチャを採用し、高解像度動画生成をサポートします。