Mochi 1：Genmo开源文生视频模型安装与使用指南

官方信息

项目背景

Mochi 1 是由美国AI创业公司Genmo AI于2024年10月开源的文生视频模型。在Sora发布后不久，Genmo就迅速推出了Mochi 1，成为最早一批公开发布权重的大参数视频生成模型，在开源社区引起了很大反响。

Mochi 1 拥有100亿参数，采用AsymmDiT（非对称Diffusion Transformer）架构——文本编码器和视频解码器使用不同的Transformer配置，文本侧大而深以理解复杂语义，视频侧小而高效以加速推理。这种非对称设计在同等参数量下，文本理解能力更强，推理速度也更快。

与其他早期开源视频模型（如CogVideoX、Open-Sora）相比，Mochi 1的特点是运动质量好、画面流畅、对复杂提示词理解准确。它能生成约5-10秒的480p视频，虽然分辨率不如后来的HunyuanVideo和Wan2.1，但在提示词遵循度和运动自然度上至今仍属第一梯队。Genmo同时提供了闭源的Mochi商用API，开源版则采用Apache 2.0协议。

Mochi 1 也是最早被ComfyUI、Diffusers等主流框架原生支持的视频模型之一，社区生态成熟。

核心特性

• 100亿参数AsymmDiT架构：非对称设计，文本理解强、推理效率高
• 流畅的运动生成：视频运动自然、物理合理，残影少
• 复杂提示词遵循：能理解"一只穿着红色外套的猫在雨中跳华尔兹"这类复杂描述
• 480p标准清晰度：848×480分辨率，5-10秒视频
• 完全开源Apache 2.0：权重免费下载，可商用
• Diffusers原生支持：3行代码即可推理，集成度高
• FP8量化版本：社区提供量化版，24GB显存可跑

环境要求

详细部署步骤

方式一：Diffusers Pipeline（推荐最简方式）

1. 创建环境

   conda create -n mochi python=3.10 -y
   conda activate mochi
   
   pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
   pip install -U diffusers transformers accelerate sentencepiece

2. FP8量化推理（24GB显存可跑）

   import torch
   from diffusers import MochiPipeline
   from diffusers.utils import export_to_video
   
   pipe = MochiPipeline.from_pretrained(
       "genmo/mochi-1-preview",
       torch_dtype=torch.bfloat16
   )
   
   # 开启CPU offload，24GB显存必开
   pipe.enable_model_cpu_offload()
   pipe.enable_vae_tiling()  # VAE分块解码，省显存
   
   # 生成视频
   prompt = "A close-up of a cat wearing sunglasses, surfing on a big ocean wave, golden hour, cinematic"
   
   frames = pipe(
       prompt=prompt,
       num_frames=84,  # 84帧约5秒@16fps
       num_inference_steps=50,
       generator=torch.Generator("cuda").manual_seed(42)
   ).frames[0]
   
   export_to_video(frames, "mochi_output.mp4", fps=30)

   首次运行会自动下载约20GB权重。

3. FP16原版推理（40GB+显存）

   pipe = MochiPipeline.from_pretrained(
       "genmo/mochi-1-preview",
       torch_dtype=torch.float16
   )
   pipe.to("cuda")  # 不需要offload
   
   frames = pipe(
       prompt="An astronaut riding a horse on Mars, dust rising",
       num_frames=84,
       num_inference_steps=50
   ).frames[0]

方式二：官方源码部署

1. 克隆仓库

   git clone https://github.com/genmoai/mochi.git
   cd mochi

2. 安装依赖

   python -m venv venv
   source venv/bin/activate
   pip install -e .
   pip install -r requirements.txt

3. 下载模型权重

   huggingface-cli download genmo/mochi-1-preview --local-dir ./checkpoints/mochi-1-preview

4. 命令行推理

   python -m mochi.preview \
     --prompt "A beautiful sunset over the mountains, time-lapse" \
     --video-size 480 848 \
     --num-frames 84 \
     --seed 42 \
     --output ./results/sunset.mp4

5. 启动Gradio Demo

   python -m mochi.app \
     --port 7860 \
     --share  # 可选

   浏览器打开 http://127.0.0.1:7860 即可看到Web界面。

方式三：ComfyUI 部署

1. Mochi已原生集成到ComfyUI核心，不需要额外装节点。
2. 下载模型文件

   # Mochi DiT模型 → ComfyUI/models/diffusion_models/
   # 下载 mochi_preview.safetensors（约20GB FP16，或FP8量化版约10GB）
   
   # VAE → ComfyUI/models/vae/
   # 下载 mochi_vae.safetensors
   
   # 文本编码器 → ComfyUI/models/text_encoders/
   # 下载 t5xxl.safetensors

3. 加载Mochi工作流：ComfyUI内置了Mochi示例工作流，在Workflows菜单中选择"Video"→"Mochi"即可。

方式四：Docker部署

docker run -d --name mochi \
  --gpus all \
  -p 7860:7860 \
  -v /data/mochi-checkpoints:/app/checkpoints \
  -v /data/mochi-outputs:/app/results \
  ghcr.io/genmoai/mochi:latest \
  python -m mochi.app --port 7860 --listen 0.0.0.0

使用方法

提示词技巧

• Mochi对英文提示词理解最好，中文支持一般
• 用完整句子描述，例如："A woman in a red dress walking through a cherry blossom forest, petals falling"
• 加入镜头语言："slow motion"、"wide angle"、"close-up"、"aerial view"
• 加入风格词："cinematic"、"anime style"、"documentary"、"3D render"
• 负面提示词建议："blurry, low quality, distorted, flickering, jittery"

生成时间参考

显存优化技巧

• pipe.enable_model_cpu_offload()：模型不活跃层放CPU，节省10GB+显存
• pipe.enable_vae_tiling()：VAE分块解码，大分辨率必备
• 减少帧数：从84帧降到49帧（约3秒）
• 使用FP8量化权重

常见问题（FAQ）

Q1: 24GB显存能跑Mochi吗？

可以。使用Diffusers Pipeline + enable_model_cpu_offload() + FP8量化权重，在RTX 3090/4090 24GB上可以生成480p、84帧的视频。单条约10-15分钟。

Q2: Mochi和HunyuanVideo/Wan2.1比哪个好？

Mochi发布较早，分辨率（480p）不如后来的HunyuanVideo（720p）和Wan2.1（720p），但运动流畅度和提示词遵循度仍然优秀。如果追求最高质量，优先HunyuanVideo或Wan2.1；如果喜欢Mochi的独特风格或需要Apache 2.0协议，Mochi是好选择。

Q3: 生成的视频有水波纹/闪烁怎么办？

1）增加采样步数到50步以上；2）使用 enable_vae_tiling()；3）提示词中减少剧烈运动；4）后处理用RIFE做帧插值。

Q4: 支持中文提示词吗？

Mochi的文本编码器是T5-XXL（英文为主），中文提示词理解一般。建议用英文写提示词，或先用其他模型翻译。如果中文是刚需，推荐Wan2.1或HunyuanVideo。

Q5: 可以商用吗？

Mochi 1采用Apache 2.0协议，权重完全开源，可自由商用、微调、二次分发。Genmo另有闭源的商用API（Mochi Pro），质量更高但收费。

跳转链接

• GitHub 仓库：https://github.com/genmoai/mochi
• Genmo官网：https://genmo.ai
• HuggingFace模型页：https://huggingface.co/genmo/mochi-1-preview
• Difusers文档：https://huggingface.co/docs/diffusers/api/pipelines/mochi
• Genmo API（商用）：https://genmo.ai/api