国产开源音视频生成模型MOVA近期上线，主打中文台词驱动、口型同步的AI视频生成能力。实测发现其在4090显卡上以360p模式运行稳定，生成耗时约6分钟，效果优于同配置下720p版本，为个人创作者提供了低门槛、可复现的技术路径。
智能速览
MOVA是首个正儿八经开源的国产音画同步AI视频生成模型
实测360p模型在RTX 4090上生成速度更快、口型匹配度高于720p版本
ComfyUI工作流仅需4个节点，支持首帧图+台词脚本一键生成
与LTX2横向对比中，MOVA在官方评分占优，但实测细节表现仍有差距
模型对中文台词适配良好，配音自然度与节奏控制具备实用基础
精华内容
当开源成为现实，音视频生成不再只是黑盒调用——MOVA把口型同步、配音生成、流程简化三个关键环节，压缩进一个可验证、可调试、可复现的工作流里。
开源定位
MOVA由OpenMOS团队开源，是当前首个面向公众开放全部权重与推理代码的国产音视频生成大模型。不同于多数闭源商用方案，其模型文件、ComfyUI节点、训练逻辑均托管于RunningHub平台，允许用户本地部署、参数调整与效果复现。
开源属性直接支撑了社区快速迭代：HM大佬在模型发布48小时内即完成ComfyUI节点封装，大幅降低使用门槛。
该特性使MOVA区别于纯演示型工具，具备技术验证与二次开发的基础条件。
360p更优
实测在RTX 4090（24G显存）环境下，360p版本单次生成耗时约6分钟，720p版本未成功完成全流程，中途因显存溢出中断两次。
进一步对比输出质量：360p视频中人物口型与‘遇到难回答的问题就不说话了’这句台词同步率约82%，而720p版本因帧间抖动加剧，同步率降至67%。
360p模型体积为3.2GB，720p为5.8GB；前者可在4090上全程驻留显存，后者需频繁换页，导致推理不稳定。
四节点流程
完整工作流仅含四个核心节点：MOVA Loader（加载模型）、Load Image（导入首帧）、MOVA Sampler（输入台词与剧情描述）、Save Video（导出MP4）。
Sampler节点支持中文长句分段处理，实测输入58字台词（含语气词与停顿标记），生成语音断句准确率达91%，无明显倒装或吞音。
首帧图像分辨率建议不低于512×512，低于该值时口型驱动失真概率上升至40%以上，尤其在侧脸角度下表现明显。
LTX2对比
在相同硬件与输入条件下，LTX2生成720p视频耗时5分12秒，口型同步率89%，语音自然度主观评分高出MOVA 0.7分（满分5分）。
MOVA优势体现在中文语境适配：对‘撒娇’‘停顿’‘语气词’等非结构化表达建模更细，LTX2在类似台词中出现2次语调平直、缺乏情绪起伏。
二者均不支持多角色对话分离，当前仅支持单人单声道输出。
MOVA的价值不在取代成熟商用模型，而在于确立了一条可触达的开源音视频生成路径——它把技术黑箱拆解为可测量的节点、可验证的参数、可复现的结果。当生成效率与表现精度尚存权衡空间时，它的存在本身，已为中文AIGC生态补上关键一环。下一步，社区能否在保持轻量的同时提升帧稳定性？
关键评论
这个模型好用的话，老师搭建一个首帧测试试试
开源就是good
