mochi

Mochi 是 Genmo 开源的高质量视频生成模型，支持文本到视频（T2V）生成，具备高保真运动建模与强提示遵循能力。采用 DiT（Diffusion Transformer）架构，集成 T5 文本编码器与专用解码器，支持 LoRA 微调、Consumer GPU（如 RTX 4090）本地推理及 ComfyUI 集成。提供 Gradio UI、CLI 和可编程 API 三种使用方式，依赖 FFMPEG 合成最终视频。适用于 AI 内容创作、短视频原型设计、研究验证等对开源可控性与生成质量均有要求的轻量级视频生成场景。