谷歌为Ultra订阅用户推出“Veo 3.1 - Lite [低优先级]”视频生成模式，无需额外消耗积分，旨在提升创作性价比。作为目前成本最低、响应最快的方案，其运营成本低于Fast版本，进一步降低了高质量AI视频生成门槛。
谷歌推出轻量化视频生成模型Veo3.1Lite，通过架构优化大幅降低算力成本，旨在推动高质量视频生成普及。该模型对标市场轻量化产品，以高性价比和低至每秒0.05美元的720P视频生成成本，满足不同开发者需求。
微软宣布必应视频创作者全面接入Sora2模型，免费向所有用户开放。用户通过简单文本即可生成高质量视频，践行普惠AI理念。
Zopia是全球首个端到端AI视频导演Agent，用户只需输入创意文本或故事梗概，即可通过多智能体协同，自动完成剧本拆解、分镜设计、镜头生成到剪辑的全流程，输出高质量视频。它深度优化了Kling3和Vidu Q3等视频模型，实现逼真的真人场景效果。
用AI控制角色动作，几秒生成高质量舞蹈视频，支持多种风格。
Veo 4 AI视频生成器，创作高质量4K电影感视频，功能先进。
利用顶尖AI模型将静态图片转化为高质量专业视频
通过文本或图像快速生成高质量电影视频。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.7
$2.1
$17.5
Alibaba
-
$2
$20
$8
$240
52
$3.9
$15.2
64
$15.8
$12.7
Bytedance
$0.8
256
Baidu
Tencent
$1.75
$14
400
24
32
lightx2v
本仓库包含为HunyuanVideo-1.5优化的4步蒸馏模型，能够在不使用CFG（无分类器指导）的情况下实现超快速的4步推理，显著减少生成时间，同时保持高质量的视频输出。
jayn7
本项目提供了腾讯HunyuanVideo-1.5-I2V-720p模型的量化GGUF版本，专门用于图像转视频和视频生成任务。该模型支持将静态图像转换为高质量视频内容，提供了多种量化版本以优化性能。
为HunyuanVideo-1.5优化的量化模型，与LightX2V框架配合使用，在显著减少内存使用的同时保持高质量视频生成性能。
mradermacher
UME-R1-7B的静态量化版本，支持句子相似度、嵌入、零样本图像分类、视频文本到文本等多任务。提供多种量化类型以满足不同需求，从轻量级Q2_K到高质量Q8_0版本。
meituan-longcat
LongCat-Video是一款具有136亿参数的基础视频生成模型，在文本到视频、图像到视频和视频续帧等生成任务中表现出色，尤其擅长高效、高质量的长视频生成。
Alissonerdx
HuMo是一个统一的、以人为中心的视频生成框架，能够根据文本、图像和音频等多模态输入，生成高质量、细粒度且可控的人类视频。它支持强大的文本提示跟随、一致的主体保留以及同步的音频驱动运动。
VeryAladeen
HuMo是一个以人为中心的视频生成框架，能够利用文本、图像和音频等多模态输入生成高质量、细粒度且可控的人类视频，支持文本提示跟随、主体保留和音频驱动运动同步。
Wan-AI
Wan2.2-S2V-14B是一个专为音频驱动的电影级视频生成而设计的混合专家（MoE）模型。它能够根据输入的音频、参考图像和文本提示生成高质量的视频内容，支持480P和720P分辨率，并具备复杂运动生成和电影级美学效果。
FastVideo
FastVideo FastWan2.2-TI2V-5B-FullAttn-Diffusers 是一个基于diffusers库构建的文本到视频生成模型，采用新颖的稀疏蒸馏策略进行微调，支持3步快速推理，能够生成高质量121×704×1280分辨率的视频。
FastWan2.1-T2V-1.3B-Diffusers是基于全新Sparse-distill策略微调的视频生成模型，结合蒸馏和稀疏注意力优势，支持高效的3步推理，能够以61×448×832分辨率生成高质量视频。
nvidia
Cosmos-Predict2.5是NVIDIA开发的专为物理AI设计的高性能预训练世界基础模型套件，基于扩散模型技术，能够根据文本、图像或视频输入生成具有物理感知的高质量图像和视频，为自动驾驶、机器人等应用提供世界模拟能力。
ByteDance
ContentV是一个高效的视频生成模型框架，通过极简架构、多阶段训练策略和经济高效的强化学习框架，在有限计算资源下实现高质量视频生成。
Lightricks
首个基于DiT架构的实时高质量视频生成模型，支持1216×704分辨率30FPS生成
首个基于DiT架构的实时高质量视频生成模型，能以30帧/秒生成1216×704分辨率视频
Skywork
SkyReels V2是一个无限长度电影生成模型，采用自回归扩散强制架构，支持高质量视频生成。
SkyReels V2是一个无限长度电影生成模型，采用自回归扩散强制架构，支持文生视频和图生视频任务，能够生成高质量的长视频内容。
SkyCaptioner-V1是专为视频数据生成高质量结构化描述而设计的模型，通过整合专业子专家模型、多模态大语言模型与人工标注，解决了通用描述模型在专业影视细节捕捉上的局限。
Video-R1
Video-R1是基于Qwen2.5-7B-Instruct开发的多模态大语言模型，专门针对视频推理任务进行优化。通过提出T-GRPO算法和构建高质量视频推理数据集，显著提升了模型在时间建模和视频理解方面的能力。
Remade-AI
基于Wan2.1 14B T2V模型训练的LoRA，专注于生成高质量眼部特写视频，支持跨场景稳定输出
lym0302
VideoLLaMA2.1-7B-AV是一款多模态大语言模型，专注于视听问答任务，能够同时处理视频和音频输入，提供高质量的问答和描述生成能力。
一个基于MCP协议的GIF生成工具，可将视频文件转换为高质量GIF动画，支持自定义帧率、尺寸和截取片段等功能。
manim-mcp 是一个基于 manimgl 库的文本转视频动画生成工具，通过多智能体 LLM 流水线将自然语言描述转换为高质量数学动画，可作为 CLI 工具、AI 代理或 MCP 服务器与 Claude 等助手集成。
VideoLingo是一款集视频翻译、本地化和配音于一体的工具，旨在生成Netflix品质的字幕。它消除了生硬的机器翻译和多行字幕，同时提供高质量的配音，实现跨语言的知识共享。
一个基于Model Context Protocol的豆包图片和视频生成服务器，支持通过文本描述生成高质量图片和视频，并查询视频生成任务状态。
Diffusers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
