Generazione di video

Genera clip video da testo o immagini e dai vita a immagini fisse.

Disponibili
46di 91
Provider
15
Fascia di prezzo
0,0016 USD – 4,80 USDper esecuzione predefinita

46 modelli

  • Google Veo 3.1

    Google DeepMind

    Nuovo

    Latest Veo with image-to-video and context-aware audio

    audioi2v

    Modalità: Video

    0,48 USD/s

  • Kling v3

    Kuaishou (Kling)

    Nuovo

    Cinematic video up to 15s with multi-shot and native audio

    audioi2v

    Modalità: Video

    0,2688 USD/s

  • Kling v3 Omni

    Kuaishou (Kling)

    Nuovo

    Most versatile: multi-reference images, video editing, native audio

    audioi2vediting

    Modalità: Video

    0,2688 USD/s

  • Nuovo

    Top-ranked for motion quality and visual fidelity

    top-quality

    Modalità: Video

    0,144 USD/s

  • Google Veo 2

    Google DeepMind

    Google's state-of-the-art video generation model. Simulates real-world physics with various visual styles.

    high-quality

    Modalità: Video

    0,60 USD/s

  • Google's Veo 3 served via Replicate. Text-to-video with native synchronized audio generation. High-fidelity motion and scene coherence in short clips.

    veotext-to-videoaudio

    Modalità: Testo, Immagine, Video

    0,48 USD/s

  • Tencent's HunyuanVideo, a 13B open-weights text-to-video diffusion transformer. Produces high-motion, photorealistic clips with smooth temporal consistency and was one of the first open models to rival closed systems on motion quality.

    hunyuanvideotext-to-video

    Modalità: Testo, Video

    ≈ 3,06 USD/esecuzione

  • Kling v2.1

    Kuaishou (Kling)

    Kuaishou's Kling v2.1, generating 5 and 10 second videos at 720p or 1080p from text or an image. Known for cinematic camera work and realistic physical motion, available on Replicate via the official KwaiVGI account.

    videotext-to-videoimage-to-video

    Modalità: Testo, Immagine, Video

    0,060 USD/s

  • Kling v2.1 Master

    Kuaishou (Kling)

    Kuaishou's premium Kling v2.1 Master. Generates 1080p 5s and 10s clips from text or an image with strong dynamics and prompt adherence. The top tier of the Kling 2.1 family.

    text-to-videoimage-to-video

    Modalità: Testo, Immagine, Video

    0,336 USD/s

  • MiniMax Hailuo 02 on Replicate. Text-to-video and image-to-video producing 6s or 10s clips at 768p standard or 1080p pro. Known for accurate real-world physics and stable motion.

    hailuotext-to-videoimage-to-video

    Modalità: Testo, Immagine, Video

    0,324 USD/video

  • Runway's Gen-4 Turbo on Replicate. Fast image-to-video generation producing 5s and 10s clips at 720p with strong character and scene consistency across shots.

    gen-4image-to-videofast

    Modalità: Testo, Immagine, Video

    0,060 USD/s

  • Google Veo 3 Fast

    Google DeepMind

    Nuovo

    Faster cheaper Veo 3 with audio

    fastaudio

    Modalità: Video

    0,18 USD/s

  • Google Veo 3.1 Fast

    Google DeepMind

    Nuovo

    Faster Veo 3.1 with image-to-video and audio

    fastaudioi2v

    Modalità: Video

    0,18 USD/s

  • Nuovo

    xAI video with native audio and lip-sync, up to 15s

    audioi2v

    Modalità: Video

    0,060 USD/s

  • Hailuo 2.3

    MiniMax

    Nuovo

    Minimax model for realistic human motion and VFX

    i2v1080p

    Modalità: Video

    0,336 USD/video

  • Kling V2.5 Turbo Pro

    Kuaishou (Kling)

    Nuovo

    Kling 2.5 Turbo Pro: Unlock pro-level text-to-video and image-to-video creation with smooth motion, cinematic depth, and remarkable prompt adherence.

    kwaivgitext-to-video

    Modalità: Testo, Immagine, Video

    0,084 USD/s

  • Nuovo

    Fast affordable video with I2V support

    fastbudgeti2v

    Modalità: Video

    0,072 USD/s

  • Nuovo

    Physics-accurate video generation up to 1080p

    i2v1080pphysics

    Modalità: Video

    0,084 USD/s

  • Nuovo

    A faster and cheaper version of Seedance 1 Pro

    text-to-video

    Modalità: Testo, Immagine, Video

    0,072 USD/s

  • Seedance Lite

    ByteDance

    Nuovo

    Budget ByteDance video, fast and cheap

    budgeti2vfast

    Modalità: Video

    0,0432 USD/s

  • Seedance Pro

    ByteDance

    Nuovo

    ByteDance video with T2V and I2V, up to 1080p

    i2v1080p

    Modalità: Video

    0,18 USD/s

  • Wan 2.2 5B Fast

    Alibaba (Wan)

    Nuovo

    The fastest Wan 2.2 text-to-image and image-to-video model

    wan-videotext-to-video

    Modalità: Testo, Immagine, Video

    0,030 USD/video

  • Nuovo

    Ultra-cheap I2V. Upload image and animate it.

    budgeti2vfast

    Modalità: Video

    0,060 USD/video

  • Nuovo

    Ultra-cheap T2V for pennies

    budgetfast

    Modalità: Video

    0,060 USD/video

  • Wan 3

    Alibaba (Qwen)

    Nuovo

    (50% off until Aug 30!) - Wan 3.0 generates video from a text prompt or a starting image, with cinematic motion and support for 480p, 720p, and 1080p output up to 30 seconds.

    text-to-video

    Modalità: Testo, Immagine, Video

    0,12 USD/s

  • AnimateDiff

    Community

    Plug-and-play motion module that animates personalized Stable Diffusion models without further training. 16-frame clips at 512x512.

    animationanimatediffopen-source

    Modalità: Testo, Immagine, Video

    ≈ 0,1201 USD/esecuzione

  • ByteDance distillation of AnimateDiff. 4-step sampling for over 10x faster inference at comparable quality to multi-step base model.

    animationbytedancefast

    Modalità: Testo, Immagine, Video

    0,00117 USD/GPU s

  • CogVideoX-5B

    Community

    CogVideoX-5B from Tsinghua/Zhipu AI, an open 5B-parameter text-to-video diffusion transformer. Generates 6-second 720p clips with coherent motion and is widely used in research for its open weights and reproducibility.

    cogvideoxzhipuvideo

    Modalità: Testo, Video

    ≈ 0,60 USD/esecuzione

  • Zhipu/Tsinghua's 5B open text-to-video model. 720x480 @ 8fps, 6s clips, image-to-video variant available.

    tsinghuacogvideoxtext-to-video

    Modalità: Testo, Immagine, Video

    ≈ 0,4081 USD/esecuzione

  • EchoMimic

    Community

    Ant Group EchoMimic. Lifelike audio-driven portrait animation with editable landmark conditioning for fine-grained motion control.

    lipsyncant-groupportrait-animation

    Modalità: Immagine, Video, Audio

    ≈ 0,48 USD/esecuzione

  • Google FILM frame interpolation. Synthesizes high-quality intermediate frames between near-duplicate inputs, designed for large motion gaps.

    upscaleframe-interpolationopen-source

    Modalità: Immagine, Video

    ≈ 0,0016 USD/esecuzione

  • LivePortrait

    Community

    Kuaishou LivePortrait. Efficient portrait animation driven by reference videos with stitching, retargeting and motion-control parameters.

    lipsynckuaishouportrait-animation

    Modalità: Immagine, Video

    ≈ 0,0949 USD/esecuzione

  • Lightricks' 2B DiT video model. Realtime generation on consumer GPUs (~6s @ H100, 24fps).

    ltxtext-to-videoopen-weights

    Modalità: Testo, Immagine, Video

    ≈ 0,0229 USD/esecuzione

  • Luma Labs' Ray-2 at 720p on Replicate. Text and image-to-video producing 5s and 9s clips with fast, coherent motion and strong camera control. Successor to Dream Machine.

    ray-2text-to-videoimage-to-video

    Modalità: Testo, Immagine, Video

    0,216 USD/s

  • MagicAnimate

    Community

    ByteDance MagicAnimate. Temporally consistent human-image animation driven by a DensePose motion sequence with strong identity preservation.

    animationhuman-motionbytedance

    Modalità: Immagine, Video

    ≈ 0,4081 USD/esecuzione

  • MiniMax's video generation model. Fast, high-quality video output with text-to-video capabilities.

    fastaffordable

    Modalità: Video

    0,60 USD/video

  • Mochi 1

    Genmo

    Genmo's Mochi 1, an open text-to-video model with high-fidelity motion built on a 10B Asymmetric Diffusion Transformer. Released under Apache 2.0, it was the largest open video model at launch and is strong on smooth, physically plausible movement.

    mochivideotext-to-video

    Modalità: Testo, Video

    ≈ 0,5041 USD/esecuzione

  • Mochi 1

    Community

    Genmo's 10B open-weights text-to-video model. AsymmDiT architecture, 5.4s @ 480p.

    genmomochitext-to-video

    Modalità: Testo, Video

    ≈ 0,5041 USD/esecuzione

  • MuseTalk

    Community

    Tencent MuseTalk real-time lip-sync model. Audio-driven mouth-region editing in latent space at 30+ fps on a single GPU.

    lipsynctencentrealtime

    Modalità: Video, Audio

    ≈ 0,0624 USD/esecuzione

  • Real-Time Intermediate Flow Estimation. Doubles or quadruples FPS of an existing video via learned optical-flow-based frame interpolation.

    upscaleframe-interpolationopen-source

    Modalità: Video

    ≈ 0,0444 USD/esecuzione

  • SadTalker

    Community

    Stylized audio-driven talking-head generator. Synthesizes 3D motion coefficients from audio to animate a single portrait image with natural head movements.

    lipsynctalking-headopen-source

    Modalità: Immagine, Video, Audio

    ≈ 0,1165 USD/esecuzione

  • SwinIR Video

    Community

    SwinIR transformer-based super-resolution and denoising applied per-frame to video. Handles classic, real-world and lightweight upscaling.

    upscaletransformeropen-source

    Modalità: Video

    ≈ 0,0277 USD/esecuzione

  • ToonCrafter

    Community

    Tencent ToonCrafter generative cartoon interpolation model. Synthesizes smooth in-between frames between two cartoon keyframes.

    animationtooncrafterinterpolation

    Modalità: Immagine, Video

    ≈ 0,0852 USD/esecuzione

  • V-Express

    Community

    Tencent V-Express. Audio-driven portrait animation with progressive training, weak-condition learning, and expressive lip sync.

    lipsynctencentportrait-animation

    Modalità: Immagine, Video, Audio

    0,00168 USD/GPU s

  • VideoCrafter

    Community

    Tencent VideoCrafter latent video diffusion. Text-to-video and image-to-video generation up to 2s at 1024x576 with strong motion fidelity.

    upscalevideo-generationtencent

    Modalità: Testo, Immagine, Video

    ≈ 0,1561 USD/esecuzione

  • Wav2Lip

    Community

    Lip-sync model that re-syncs a target video's lip movement to an arbitrary audio track. Robust to identity and language with a lip-sync discriminator loss.

    lipsyncvideo-editopen-source

    Modalità: Video, Audio

    ≈ 0,0067 USD/esecuzione

45 modelli attualmente non disponibili

Le loro pagine rimangono online, ma non possono essere eseguiti al momento.

Modelli di generazione video per marketing, motion e prototipi

I modelli video trasformano un prompt — o un fotogramma fisso, o una breve clip di riferimento — in un'immagine in movimento. È la categoria più giovane e volatile del catalogo: ogni trimestre un nuovo flagship rialza l'asticella della qualità. Si ricorre a uno di questi modelli quando serve contenuto in movimento più veloce di quanto un editor umano possa produrre.

Prezzi, compromessi e insidie

Il pricing del video è per lo più per secondo di output, non per token. Su Railwail una clip da cinque secondi costa oggi da 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) a 3,00 USD (Veo 2); Veo 3 con audio costa 0,48 USD al secondo. I tier con audio costano più dei tier silent. I moltiplicatori di risoluzione si sommano alla durata: 720p è lo standard, 1080p costa circa 2× di più e il 4K è raro e costoso.

Il compromesso qui è durata contro coerenza. La maggior parte dei modelli commerciali limita l'output a cinque-dieci secondi perché le clip più lunghe vanno alla deriva — i personaggi cambiano vestito, gli sfondi si trasformano e la fisica salta. Per narrazioni più lunghe, generate una sequenza di shot più brevi e cuciteli in post. Image-to-video (frame iniziale + prompt di movimento) di solito produce risultati più stabili del puro text-to-video, soprattutto per personaggi e foto prodotto.

Attenzione alla durata delle clip: la maggior parte dei modelli genera da quattro a dieci secondi per chiamata (Kling v2.1: 5 o 10 s, Veo 3.1 Fast: 4, 6 o 8 s), e la qualità tende a calare verso il limite superiore. Se la sceneggiatura richiede di più, prevedete più shot. Attenzione anche all'audio: molti modelli escono muti e dovete sovrapporre l'audio separatamente — Veo 3 e Veo 3.1 sono esempi di modelli che generano audio.

Le top picks qui sopra coprono il leader del realismo flagship, il workhorse più economico, il modello con la clip più lunga e l'opzione di preview più veloce della categoria.

Attività tipiche

  • Ad social in formato breve
  • Demo di prodotto ed explainer
  • Videoclip musicali e corti stilizzati
  • Storyboard per riprese live-action
  • B-roll generato con AI
  • Prototipi di character animation

Ratgeber per caso d'uso

Confronti tra modelli

Domande frequenti

Quale modello video è il più realistico?

Veo 3 e Veo 3.1 sono forti su movimento foto-realistico, fisica e audio integrato. Runway Gen-4 e Kling v2.1 sono vicini sulla qualità visiva ma escono muti. Per output artistico e stilizzato, Pika e Dream Machine spesso battono i flagship a una frazione del costo.

Quanto può essere lunga una clip generata?

La maggior parte dei modelli genera da 4 a 10 secondi per chiamata — per esempio Kling v2.1 5 o 10 secondi, Veo 3.1 Fast 4, 6 o 8 secondi. Le clip più lunghe costano di più. Oltre i 10 secondi conviene generare una sequenza di shot e montarli insieme — la deriva qualitativa oggi domina sulla durata in singola chiamata.

Il pricing video è per secondo o per chiamata?

Per lo più per secondo di output. Su Railwail una clip da 5 secondi costa oggi da 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) a 3,00 USD (Veo 2); alcuni modelli come Hailuo o Wan sono fatturati per clip. I tier con audio e le risoluzioni da 1080p in su costano di più. Ogni pagina modello mostra il prezzo di un'esecuzione standard.

Posso generare video partendo da un'immagine?

Sì — image-to-video è oggi il workflow più affidabile. Fornite un fotogramma fisso e un prompt di movimento e otterrete output molto più stabile che dal solo testo, soprattutto per character animation e shot di prodotto. La maggior parte dei flagship supporta entrambe le modalità.

L'audio è incluso?

Veo 3 e Veo 3.1 possono generare audio sincronizzato (dialoghi, effetti sonori, musica). Molti altri modelli producono video muti — generate l'audio separatamente con un modello TTS o musicale e sovrapponetelo in post-produzione. Controllate il supporto audio sulla pagina del modello prima di integrare.

Quali risoluzioni sono supportate?

I tier standard offrono 720p. I tier Pro aggiungono 1080p a circa 2× del costo. L'output 4K è raro e costoso nel 2026; per i finali a risoluzione più alta fate l'upscaling in post con un upscaler video dedicato.

Quanto è veloce la generazione video?

Il tempo reale dipende dal modello: da 30 secondi a 2 minuti per una clip di 5 secondi su infrastruttura flagship, da 5 a 15 minuti su GPU condivise open-weights. Pianificate una UX asincrona — mostrate i progressi e fate tornare gli utenti dopo.

Sono concessi diritti d'uso commerciale?

I tier commerciali (Veo, Runway, Kling Pro, Pika) concedono uso commerciale perpetuo, royalty-free. Alcuni modelli open-weights di ricerca si limitano al non-commerciale — la licenza è elencata su ogni pagina modello. Leggetela prima di usare l'output in una campagna a pagamento.

Inizia con un'API

Tutti i modelli disponibili tramite un'API compatibile con OpenAI. Crediti prepagati in USD, nessun abbonamento.