Công nghệ AI tạo video đang phát triển với tốc độ cực nhanh. Từ các nhà sáng tạo nội dung cá nhân cho tới đội ngũ marketing chuyên nghiệp, ngày càng nhiều người bắt đầu đưa AI video vào workflow làm việc hàng ngày để tạo quảng cáo, cinematic clip, animation hay video mạng xã hội.

Dù vậy, phần lớn các nền tảng thương mại hiện nay vẫn tồn tại một hạn chế khá lớn: dữ liệu người dùng thường bị thu thập và video đầu ra có thể bị gắn watermark AI theo cách hiển thị công khai hoặc ẩn bên trong metadata.

Chính vì vậy, nhiều người đang chuyển sang các mô hình mã nguồn mở nhằm có được quyền kiểm soát tốt hơn đối với dữ liệu, khả năng tùy biến workflow và đặc biệt là khả năng chạy local ngay trên máy cá nhân. Đáng chú ý hơn, chất lượng của các model open source hiện tại đã bắt đầu tiệm cận nhiều hệ thống thương mại nổi tiếng như Google Veo.

Dưới đây là 5 mô hình AI tạo video mã nguồn mở nổi bật nhất hiện nay mà bạn nên biết.

1. Wan 2.2 A14B

Wan 2.2 A14B hiện là một trong những model AI video mã nguồn mở được đánh giá cao nhất về chất lượng hình ảnh và khả năng tạo chuyển động.

https://huggingface.co/Wan-AI/Wan2.2-T2V-A14B

Phiên bản này nâng cấp mạnh kiến trúc diffusion backbone bằng cách áp dụng Mixture-of-Experts (MoE). Hiểu đơn giản, hệ thống sẽ chia quá trình xử lý khử nhiễu thành nhiều “expert” khác nhau, mỗi phần phụ trách một giai đoạn riêng trong quá trình sinh video. Nhờ đó, model có thể tăng hiệu quả xử lý mà không làm chi phí tính toán tăng quá mạnh.

Một điểm đáng chú ý khác là nhóm phát triển đã huấn luyện model với thêm nhiều nhãn thẩm mỹ liên quan tới ánh sáng, bố cục, độ tương phản hay màu sắc. Điều này giúp việc tạo video phong cách cinematic trở nên dễ kiểm soát hơn đáng kể.

So với phiên bản Wan 2.1 trước đó, dữ liệu huấn luyện của Wan 2.2 cũng được mở rộng rất lớn, giúp cải thiện rõ khả năng xử lý chuyển động, hiểu prompt và chất lượng hình ảnh tổng thể.

Hiện tại, Wan 2.2 được xem là một trong những lựa chọn mạnh nhất nếu bạn muốn tạo video AI chất lượng cao ngay trên máy cá nhân.

2. Hunyuan Video

HunyuanVideo là video foundation model mã nguồn mở với quy mô lên tới 13 tỷ tham số.

https://huggingface.co/tencent/HunyuanVideo

Điểm đặc biệt của model này nằm ở kiến trúc xử lý “dual-stream to single-stream”. Ban đầu, dữ liệu văn bản và video sẽ được xử lý riêng biệt trước khi hợp nhất lại để tạo ra kết quả cuối cùng. Cách tiếp cận này giúp model hiểu prompt tốt hơn đồng thời giữ được độ chi tiết trong hình ảnh và chuyển động.

Ngoài ra, HunyuanVideo còn sử dụng multimodal LLM làm text encoder nhằm cải thiện khả năng bám sát hướng dẫn của người dùng.

Hệ sinh thái đi kèm của model này cũng khá đầy đủ. Người dùng có thể tìm thấy:

• mã nguồn,

• trọng số model,

• hỗ trợ multi-GPU,

• FP8 weights,

• tích hợp với Diffusers,

• hỗ trợ ComfyUI,

• benchmark và demo sẵn.

Nếu cần một nền tảng text-to-video hoặc image-to-video đa dụng để nghiên cứu và phát triển lâu dài, HunyuanVideo là lựa chọn rất đáng cân nhắc.

3. Mochi 1

Mochi 1 là mô hình diffusion transformer 10B được huấn luyện hoàn toàn từ đầu và phát hành dưới giấy phép Apache 2.0.

https://huggingface.co/tencent/HunyuanVideo

Model này sử dụng kiến trúc Asymmetric Diffusion Transformer kết hợp với Asymmetric VAE nhằm tối ưu khả năng xử lý video. Hệ thống được thiết kế để ưu tiên chất lượng hình ảnh và chuyển động nhiều hơn thay vì tập trung quá nặng vào phần xử lý văn bản.

Theo nhóm phát triển Genmo, Mochi 1 hướng tới mục tiêu trở thành một model mã nguồn mở có chất lượng đủ sức cạnh tranh với các hệ thống AI video thương mại.

Điểm mạnh của Mochi 1 nằm ở khả năng tạo chuyển động mượt, độ chân thực cao và khả năng bám prompt khá tốt. Ngoài ra, giấy phép Apache 2.0 cũng khiến model này trở nên hấp dẫn hơn với các nhà phát triển muốn tùy biến sâu hoặc tích hợp vào sản phẩm thương mại.

4. LTX Video

LTX-Video là cái tên nổi bật nếu bạn ưu tiên tốc độ xử lý.

https://huggingface.co/Lightricks/LTX-Video

Đây là mô hình image-to-video dựa trên kiến trúc Diffusion Transformer, có khả năng tạo video 30 fps ở độ phân giải 1216x704 với tốc độ nhanh hơn thời gian thực trong một số trường hợp.

Thay vì chỉ tập trung vào chất lượng hình ảnh thuần túy, LTX-Video được tối ưu để cân bằng giữa tốc độ render, độ mượt chuyển động và khả năng chỉnh sửa video.

Hệ sinh thái của model này cũng khá phong phú với nhiều phiên bản khác nhau như:

• 13B,

• 13B distilled,

• 2B distilled,

• FP8 quantized build.

Ngoài ra còn có thêm các workflow dựng sẵn cho ComfyUI cũng như công cụ upscale không gian và thời gian.

Nếu thường xuyên thử nghiệm image-to-video hoặc muốn render nhanh để iterate workflow liên tục, LTX-Video là lựa chọn rất đáng chú ý.

5. CogVideoX-5B

CogVideoX-5B là phiên bản nâng cấp chất lượng cao hơn của dòng CogVideoX 2B.

https://huggingface.co/zai-org/CogVideoX-5b

Model này được huấn luyện bằng bfloat16 và có thể tạo các video dài khoảng 6 giây ở tốc độ 8 fps với độ phân giải 720x480.

Dù không phải model mạnh nhất về chất lượng hình ảnh, CogVideoX-5B lại có ưu điểm ở khả năng tối ưu tài nguyên và hỗ trợ khá tốt cho hệ sinh thái Diffusers.

Tài liệu chính thức của model cũng cung cấp khá nhiều thông tin hữu ích liên quan tới:

• mức VRAM cần thiết,

• thời gian inference,

• tối ưu CPU offload,

• VAE tiling,

• multi-GPU.

Nhờ vậy, CogVideoX-5B phù hợp với những người muốn bắt đầu thử nghiệm AI video trên phần cứng không quá mạnh nhưng vẫn cần chất lượng đủ tốt.

Nên chọn model nào?

Mỗi model phía trên lại phù hợp với một nhu cầu khác nhau.

Nếu ưu tiên chất lượng điện ảnh và muốn tạo video cinematic đẹp mắt, Wan 2.2 hiện là lựa chọn rất mạnh trong thế giới open source.

Trong khi đó, HunyuanVideo phù hợp hơn với những ai cần một nền tảng đa dụng để phát triển workflow T2V hoặc I2V quy mô lớn.

Mochi 1 lại hấp dẫn nhờ tính mở, khả năng tùy biến sâu và định hướng nghiên cứu rõ ràng. Còn LTX-Video là lựa chọn rất đáng thử nếu bạn ưu tiên tốc độ render và workflow realtime.

Với CogVideoX-5B, điểm mạnh lớn nhất nằm ở khả năng chạy hiệu quả trên phần cứng dễ tiếp cận hơn, đồng thời vẫn hỗ trợ tốt cho các công cụ phổ biến như Diffusers hay ComfyUI.

AI video mã nguồn mở đang phát triển nhanh hơn rất nhiều so với vài năm trước. Khoảng cách giữa các model open source và nền tảng thương mại đang dần thu hẹp, đặc biệt ở các yếu tố như chất lượng hình ảnh, chuyển động và khả năng hiểu prompt.

Quan trọng hơn, các mô hình mã nguồn mở mang lại nhiều lợi ích mà hệ thống đóng khó cạnh tranh được, từ khả năng chạy local, kiểm soát dữ liệu cho tới việc tùy biến workflow theo nhu cầu riêng.

Nếu muốn khám phá AI video nghiêm túc hơn trong thời gian tới, đây có lẽ là thời điểm tốt nhất để bắt đầu thử nghiệm với các model open source mới.