InVideo 与本地 AI 视频对比：一个 0 美元加你的周末，另一个 17 美元

专有视频市场一直处于混乱状态。OpenAI 在 2026 年 3 月关闭了 Sora 消费者应用,距离上线不到六个月,原因是下载量较峰值下滑了约 66%(API 仍独立在线)。字节跳动的 Seedance 2.0 同月陷入好莱坞诉讼并暂停全球推广,起因是迪士尼、派拉蒙和华纳兄弟发出的停止侵权函——该模型在中国仍可使用,但国际商业用途面临法律风险。阿里巴巴的 HappyHorse 模型在 2026 年 4 月登顶质量排行榜——却从未向公众开放。

这种混乱正是两扇门都吸引人的原因。开放的本地模型让你不受供应商风波的影响。而 InVideo 替你承担了这种混乱:它的订阅打包了 200 多个模型的访问权限——包括 Kling 3、Veo 3.1 和 Seedance 2.5——这样当某个模型消失或被起诉时,你的工作流程不会受到影响。

目前有三个开放权重系统主导着本地视频生成领域,以下载量、社区活跃度和基准测试结果衡量。三者都通过 ComfyUI 运行,这是一个安装在你自己机器上的基于节点的界面——不是像 Ollama 那样的聊天式工具。这些是扩散模型,不是大语言模型。

Wan 2.2 是部署最广泛的开放视频模型:仅其 I2V-A14B 仓库单月就记录了约 424 万次 Hugging Face 下载量,还衍生出数百个社区变体。它提供三个版本——T2V-A14B 和 I2V-A14B(混合专家架构,总参数 27B / 激活参数 14B),以及一个紧凑的 TI2V-5B,支持文本转视频和图像转视频,最低只需 6–8GB 显存。14B 档位需要 15GB(GGUF Q3)到 25GB(FP8);官方非量化命令要求 80GB。它的许可证是 Apache 2.0——真正免费,商业用途不受限,无营收门槛,无地区排除。

具体速度: 在 RTX 4090 上,单个 5 秒片段大约需要 4–9 分钟(这是一个独立报告的数据——Wan 2.2 原生不能一次输出更长的片段)。要制作一段 20 秒的序列,你需要生成 4 段独立的 5 秒片段再拼接——大约需要 16–36 分钟的原始生成时间,再加上手动剪辑以让它们平滑衔接。这个区间是从单片段数据推算得出的,不是直接测量的 20 秒基准测试结果。

LTX-2 是这三者中唯一能在单次生成中同步输出音视频的开放模型——脚步声、环境音和特效都随画面一起生成。它也是三者中最快、对硬件最宽容的。其架构是一个 22B 扩散 Transformer;LTX-2.3(2026 年 3 月发布)与当前的 LTX-2.5 版本并行获得完整支持。许可证是 LTX 社区许可证——如果你公司的总营收低于每年 1000 万美元,可免费商用,超过该门槛需要付费商业许可证。(部分第三方文章错误地称其为 Apache 2.0——官方许可证页面才是唯一可靠的来源。)硬件需求为量化版 18–20GB 显存,完整精度 32GB 以上;在 12GB 显卡上,更老的 LTX-Video 0.9.5 仍是实际可行的选择。

具体速度: LTX-2 在定性层面是三者中最快的,在高端消费级显卡上能实现接近实时的预览——但截至本文撰写时,并不存在经独立验证的 RTX 4090 每片段耗时分钟数,因此我们不会编造一个。目前唯一确切的数据来自 Lightricks 自己在数据中心级"Nvidia superchips"(而非消费级 GPU)上的基准测试:一个 10 秒片段大约耗时 6.8 秒。请将其视为这套架构在专业级硬件上能达到的上限,而非你家用设备实际会看到的速度。

腾讯的这个 8.3B 模型于 2025 年 11 月发布,以电影感的光影和质感受到社区青睐,也是三者中显存占用最轻的:通过卸载最低需要 14GB,24GB 更舒适,在 RTX 4090 上生成一个 480p 片段约需 75 秒。它原生生成 480p/720p,通过内置超分辨率可达 1080p,片段最长 10 秒。

具体速度: 以每个 5 秒 480p 片段约 75 秒计算,大约相当于每秒视频需要 15 秒渲染时间。它原生最大片段长度为 10 秒,所以一段 20 秒的序列需要两次最大长度的生成——按每秒速率推算,大约需要 5 分钟的原始生成时间才能得到 20 秒的画面,还不算拼接。这是从已有的 5 秒数据推算出的结果,不是直接测量的 10 秒或 20 秒基准测试。

MiniMax H3 于 2026 年 8 月 3 日发布,是一个 33.1B 全模态模型,原生支持立体声音频,首日就获得 ComfyUI 支持,还提供可在 RTX 3060 上运行的量化版本。在把它当作第四选择之前有两点需要注意:本地版本上限为 768p(完整 2K 流水线仍仅限托管使用),而且据报道其社区许可证附带自己的地区限制和 2000 万美元营收门槛——在使用前请查看官方模型卡。早期迹象良好,但发布仅三周和真正可用于生产环境是两回事。

本地视频生成的"免费"就像小狗是"免费"的一样:模型权重不花钱,但 GPU 才是真正的入场费。如果你的 GPU 显存低于 12GB 且不打算升级,就完全跳过本地生成——上述三个模型没有一个能在这个档位以下达到可用质量,云端平台会更快给你更好的输出。

不确定这些数字对你的机器意味着什么?这些指南能帮你理清:显存计算器 提供每个模型的确切要求,你需要多少显存? 提供跨模型规模的图表,本地 AI 最佳 GPU 和 最佳预算 GPU 提供硬件选购建议,GPU vs CPU vs Apple Silicon 提供平台比较。一个诚实的提醒:那些指南使用的是大语言模型显存公式(参数量 × 位数 ÷ 8)。视频扩散模型的显存需求还会随分辨率和片段长度变化,所以对视频工作负载而言,把那些数字当作下限而非上限来看待。

使用本地模型,你安装的不是一个视频工具——而是在组装一条流水线。

生成环境搭建。 ComfyUI 是基于节点的:你需要搭建,或导入并调试,一张由加载器、采样器和解码器组成的工作流图。在渲染出第一帧之前,预计会遇到 CUDA 版本不匹配、PyTorch 版本锁定,以及偶尔出现的 flash_attn 安装错误。

提示词编写。 视频模型需要结构化提示词——镜头类型、运镜方式、光照、主体动作——而不是一句话。没有内置的提示词助手,也没有系统提示层;完整结构要你自己写。我们关于系统提示词与用户提示词和本地模型的提示词工程的指南涵盖的基础知识可以直接迁移到视频提示词编写上。

片段之外的一切。 本地模型输出的是 5–20 秒的原始无声片段(LTX 除外)。脚本、配音、音乐、素材片段、字幕和剪辑,每一项都是你需要自己挑选、安装并串联起来的独立工具。

简版对照,映射到常见情况:

如果你符合以下情况,InVideo 可能是更好的选择:

• 没有强大的 GPU
• 想立刻开始制作视频
• 不想安装和配置 ComfyUI、CUDA、模型或 Python 环境
• 想要一体化工作流,而不是拼凑多个本地工具
• 需要在同一个工作流中完成脚本、配音、音乐、字幕和视频生成
• 更在意成品视频,而不是折腾底层模型

如果你符合以下情况,本地 AI 可能是更好的选择:

• 已经拥有合适的 GPU 硬件
• 想要最大程度的控制权
• 想要试验模型和工作流
• 具备较强的技术能力
• 优先考虑让生成过程保持本地可控
• 预计会有非常大的生成量,想优化边际生成成本

你不需要为了评估云端工作流而先投入一套本地 GPU 配置——或一份付费订阅。在购买硬件或花一个周末折腾 ComfyUI 之前,值得先花五分钟反过来试一试:

1. 试用 InVideo 的免费版本。 2. 制作一段短视频。 3. 评估输出质量以及工作流的使用体验。 4. 将这次体验与本地安装所需的搭建成本做对比。

这样一来,这个对比就从"读来的信息"变成了"你自己能测试的东西",而且花费的时间比读完本文剩余部分还要短。

如果你拥有(或打算购买)12GB 以上显存的 GPU,喜欢自己搭建工具,并且看重隐私和无限次 0 美元生成胜过便利性,那就选本地。Wan 2.2 是最安全的基础选项——顶级质量、Apache 2.0、没有细则条款——LTX-2 则是速度与音频方面的专才。

如果你没有硬件、不想折腾搭建,或者需要成品视频而不是原始片段,那就选云端。对大多数只是想制作 AI 生成视频的人来说,云端路线是更轻松的起点:如果你本来就没有本地生成所需的硬件和技术兴趣,InVideo 用一个提示词就能替你消除大部分复杂性,所有模型和素材都已打包,还包含自动化功能——测试起价为 0 美元,去水印起价为每月 17 美元(按年计费)。判断它是否适合你工作流最简单的方法,就是先试用免费版本。

两扇门都通向 AI 视频。问题从来不是哪种技术更好——而是哪种工作流适合你的设备、你的耐心和你的目标。