एक वाक्य टाइप करें, कुछ मिनट इंतज़ार करें, और एक छोटी क्लिप पाएँ, जिसमें गिरगिट की आँख का रंग बदलता है या ऊँची घास में दौड़ता कुत्ता असली लगने वाले वज़न के साथ चलता है। यही Genmo Mochi 1 का वादा है, और यह उन गिने-चुने वीडियो मॉडल में से एक है जो ज़्यादातर इस वादे पर खरे उतरते हैं। यह एक ओपन रिलीज़ से निकला है, यथार्थवाद पर खास ज़ोर देता है, और अब आप इसे GPU को हाथ लगाए बिना ब्राउज़र में मुफ़्त आज़मा सकते हैं।
यह लेख बताता है कि Mochi 1 क्या है, यह किन चीज़ों को अच्छी तरह संभालता है, इमेज-टू-वीडियो के साथ इसका क्या मामला है (स्पॉइलर: जवाब वह नहीं है जो ज़्यादातर लोग मान लेते हैं), और ऐसे प्रॉम्प्ट के साथ इसे खुद कैसे चलाएँ जो सच में काम करते हैं। यहाँ आपको कॉपी करने के लिए तैयार उदाहरण और उन कामों के लिए विकल्पों की एक छोटी सूची भी मिलेगी, जो Mochi 1 नहीं करता।
💡 झटपट जवाब: Mochi 1 एक टेक्स्ट-टू-वीडियो मॉडल है। यह शुरुआती इमेज नहीं लेता। अगर आपको इमेज-टू-वीडियो चाहिए, तो आगे दिए गए विकल्पों में से कोई एक इस्तेमाल करें, और Mochi 1 तब इस्तेमाल करें जब आप सिर्फ़ शब्दों से नए दृश्य बनाना चाहते हों।
Genmo Mochi 1 क्या है?
Genmo Mochi 1 एक ओपन वीडियो जनरेशन मॉडल है, जिसे AI लैब Genmo ने 2024 के आखिर में रिलीज़ किया। इसके प्रीव्यू वर्ज़न में लगभग 10 अरब पैरामीटर हैं और यह Asymmetric Diffusion Transformer (AsymmDiT) नाम के आर्किटेक्चर पर बना है। इसे खुली शर्तों वाले Apache 2.0 लाइसेंस के तहत प्रकाशित किया गया। इसका मतलब है कि रिसर्चर और डेवलपर इसके वेट्स और कोड डाउनलोड करके उन पर आगे काम कर सकते हैं।
तीन बातें बताती हैं कि उस समय लोगों का ध्यान इस पर क्यों गया:
- ओपन वेट्स। ज़्यादातर दमदार वीडियो मॉडल पेड API के पीछे बंद थे। Mochi 1 सबसे बड़े ओपन मॉडल में से एक था।
- मोशन की क्वालिटी। यह मॉडल इस बात पर ध्यान देता है कि चीज़ें कैसे हिलती-डुलती हैं: वज़न, मोमेंटम, तरल पदार्थों का बर्ताव, कपड़ा, फ़र और पानी।
- प्रॉम्प्ट का पालन। आप जो लिखते हैं, यह उसी के करीब रहता है, इसलिए छोटे और सटीक प्रॉम्प्ट असरदार होते हैं।
प्रीव्यू 480p पर जनरेट करता है। Genmo ने बाद की रिलीज़ के लिए ज़्यादा रिज़ॉल्यूशन वाले वर्ज़न की घोषणा की थी, लेकिन आज ज़्यादातर लोग जो वर्ज़न इस्तेमाल करते हैं, वह अब भी 480p प्रीव्यू ही है। Genmo ने एक वीडियो VAE भी ओपन-सोर्स किया, जो क्लिप को कहीं छोटे लेटेंट स्पेस में कंप्रेस करता है। यह भी एक वजह है कि इस मॉडल को चलाना व्यावहारिक रूप से मुमकिन हो पाता है।

2027 में इसकी जगह कहाँ है
नए मॉडल अब नेटिव ऑडियो के साथ 1080p क्लिप बनाते हैं, और कुछ मॉडल दस सेकंड या उससे भी लंबी क्लिप बनाते हैं। Mochi 1 यह दौड़ जीतने की कोशिश नहीं कर रहा। इसकी अहमियत कुछ और है: यह आज़माने में तेज़, प्रॉम्प्ट करने में आसान, और असली दुनिया जैसी, फ़ोटोग्राफ़िक मोशन में अच्छा है। बी-रोल, प्रोडक्ट आइडिया, प्रकृति के शॉट और मूडी माहौल के लिए यह अब भी अच्छा काम करता है।
यह किन चीज़ों में अच्छा नहीं है
सीमाओं को लेकर यथार्थवादी रहें। मॉडल को फ़ोटोग्राफ़िक स्टाइल के लिए ट्यून किया गया था, इसलिए एनिमेटेड या कार्टून लुक कमज़ोर रहते हैं। लंबे, कई सब्जेक्ट वाले प्रॉम्प्ट भी अक्सर बिखर जाते हैं। फ़्रेम के अंदर का टेक्स्ट, जैसे साइनबोर्ड या कैप्शन, भरोसेमंद नहीं होता। यह जान लेने से आप बहुत-से बेकार जनरेशन से बच जाते हैं।
Mochi 1 से टेक्स्ट-टू-वीडियो
टेक्स्ट-टू-वीडियो इसका मुख्य फ़ीचर है, और यह मॉडल प्रॉम्प्ट लिखने की एक खास आदत का अच्छा नतीजा देता है: एक मुख्य सब्जेक्ट का वर्णन करें, फिर मोटी बातों से बारीक बातों की ओर डिटेल जोड़ें।
जो प्रॉम्प्ट काम करता है, वह आम तौर पर इस क्रम में चलता है:
- शॉट का प्रकार। "क्लोज़ शॉट", "मीडियम शॉट", "वाइड शॉट"।
- सब्जेक्ट। सिर्फ़ एक साफ़ सब्जेक्ट।
- एक्शन। एक ऐसी हरकत जो कुछ सेकंड में पूरी होती है।
- सेटिंग और रोशनी। दिन का समय, मौसम, सतह, रंग।
- रिज़ॉल्यूशन का संकेत। आखिर में "हाई रिज़ॉल्यूशन 4k" लिखने से वार्पिंग कम करने में मदद मिलती है।

इसकी ताकत दिखाने वाला प्रॉम्प्ट
मॉडल पेज पर दिया गया डिफ़ॉल्ट उदाहरण इसे अच्छी तरह दिखाता है: "गिरगिट की आँख का क्लोज़-अप, शल्कों वाली त्वचा का बदलता रंग। अल्ट्रा हाई रिज़ॉल्यूशन 4k।" एक सब्जेक्ट, एक एक्शन, एक टेक्सचर। मॉडल के पास शल्कों की बारीक डिटेल और रंग के स्मूद बदलाव को रेंडर करने की भरपूर गुंजाइश रहती है, और ठीक इसी तरह की मोशन को यह अच्छी तरह संभालता है।
सबसे अच्छे नतीजे देने वाले सब्जेक्ट
| सब्जेक्ट का प्रकार | यह क्यों काम करता है | उदाहरण |
|---|
| जानवर | प्राकृतिक, बार-बार दोहराई जाने वाली हरकत आसानी से समझ आती है | ऊँची घास में दौड़ता कुत्ता |
| पानी और लहरें | तरल पदार्थों की फ़िज़िक्स इसकी ताकत है | रेतीले बीच पर आती लहरें |
| मैक्रो डिटेल | एक सब्जेक्ट, भरपूर टेक्सचर | लैवेंडर के फूल पर बैठी मधुमक्खी |
| लैंडस्केप | धीमी कैमरा मूवमेंट, कम जोखिम | घाटी में सरकती धुंध |
| खाना और ड्रिंक | सरल एक्शन, लुभावनी डिटेल | सिरेमिक कप में डाली जा रही कॉफ़ी |
| भीड़ और हाथ | कई हिलते हिस्से, नाकामी की दर ज़्यादा | कम इस्तेमाल करें |
क्रेडिट बर्बाद करने वाली गलतियाँ
- कई सब्जेक्ट एक साथ ठूँसना। "एक आदमी, एक कुत्ता, एक कार और एक ड्रोन" एक धुंधले घालमेल में बदल जाएगा।
- कहानी माँगना। पाँच सेकंड की क्लिप में एक एक्शन आता है, पूरा प्लॉट नहीं।
- शॉट का प्रकार छोड़ देना। इसके बिना फ़्रेमिंग बेतरतीब रहती है।
- कार्टून वाली भाषा में लिखना। मॉडल असली दुनिया की भाषा को पसंद करता है।

इमेज-टू-वीडियो: ईमानदार जवाब
सर्च नतीजे "Mochi 1 इमेज-टू-वीडियो" का वादा करना पसंद करते हैं। सीधी बात यह है: ओपन Mochi 1 प्रीव्यू एक टेक्स्ट-टू-वीडियो मॉडल है। आधिकारिक रिलीज़ और PicassoIA पर मौजूद मॉडल, दोनों इनपुट में टेक्स्ट प्रॉम्प्ट लेते हैं, और दोनों में से कोई भी शुरुआती फ़्रेम स्वीकार नहीं करता। अगर कोई साइट इसके उलट दावा करती है, तो आम तौर पर वह पीछे से किसी दूसरे मॉडल को चला रही होती है।
इसका मतलब यह नहीं कि आप अटक गए हैं। दो व्यावहारिक रास्ते हैं।
पहला रास्ता: इसके बजाय इमेज का वर्णन करें
अगर आपको पहले से पता है कि आपको कौन-सा फ़्रेम चाहिए, तो उसे प्रॉम्प्ट के रूप में लिखें। कगार पर खड़े एक हाइकर की फ़ोटो कुछ ऐसी बन जाती है: "सूर्योदय के समय धुंध भरी अल्पाइन घाटी के ऊपर चट्टानी कगार पर अकेले हाइकर का वाइड शॉट, हवा में हिलती जैकेट, हाई रिज़ॉल्यूशन 4k।" आपको हूबहू वही पिक्सल नहीं मिलेंगे, लेकिन मोशन के साथ मिलती-जुलती कंपोज़िशन ज़रूर मिलेगी।

दूसरा रास्ता: इसी काम के लिए बना मॉडल इस्तेमाल करें
जब पहले फ़्रेम को किसी फ़ोटो, ब्रांड एसेट या प्रोडक्ट शॉट से हूबहू मेल खाना हो, तो एक असली इमेज-टू-वीडियो मॉडल चुनें। ये मॉडल PicassoIA पर हैं और आज़माने लायक हैं:
💡 टिप: एक अच्छा वर्कफ़्लो यह है कि पहले किसी इमेज मॉडल से एक स्टिल इमेज बनाएँ, फिर उसे इमेज-टू-वीडियो मॉडल से एनिमेट करें। Mochi 1 उन दृश्यों के लिए इस्तेमाल करें, जिन्हें आप किसी लिखे हुए आइडिया से शुरू करना पसंद करेंगे।

Mochi 1 का फ्री एक्सेस
Mochi 1 को मुफ़्त में इस्तेमाल करने के दो तरीके हैं, और ये बिल्कुल अलग-अलग तरह के लोगों के लिए सही हैं।
इसे खुद चलाएँ
वेट्स ओपन हैं, इसलिए आप उन्हें डाउनलोड करके Mochi 1 को लोकल तौर पर चला सकते हैं। यह असली आज़ादी है, लेकिन इसकी एक कीमत है: 10B मॉडल भारी है, इसे बहुत ज़्यादा मेमोरी वाले शक्तिशाली GPU की ज़रूरत होती है, और सेटअप में समय लगता है। यह डेवलपर, रिसर्चर और उन सभी के लिए सही है जो मॉडल की फाइन-ट्यूनिंग करना चाहते हैं।
इसे ब्राउज़र में इस्तेमाल करें
बाकी सभी के लिए आसान रास्ता होस्ट किया गया वर्ज़न है। PicassoIA पर Mochi 1 ब्राउज़र में चलता है: न कुछ इंस्टॉल करना पड़ता है, न API सेटअप। आप प्रॉम्प्ट लिखते हैं, जनरेट दबाते हैं और वीडियो फ़ाइल डाउनलोड कर लेते हैं।
| विकल्प | सेटअप का समय | ज़रूरी हार्डवेयर | किसके लिए सबसे अच्छा |
|---|
| लोकल इंस्टॉल | घंटों | ज़्यादा मेमोरी वाला GPU | डेवलपर और रिसर्चर |
| ब्राउज़र वर्ज़न | कुछ सेकंड | कुछ नहीं | क्रिएटर, मार्केटर, टेस्टर |
PicassoIA पर Mochi 1 कैसे इस्तेमाल करें
Mochi 1 पेज पर पूरी प्रक्रिया यह है। सेटअप में करीब एक मिनट लगता है, और बाकी समय रेंडर के इंतज़ार में जाता है।
चरण 1: मॉडल खोलें
टेक्स्ट-टू-वीडियो कलेक्शन में Mochi 1 का पेज खोलें। प्रॉम्प्ट फ़ील्ड में गिरगिट वाला उदाहरण पहले से भरा होता है, ताकि आप तुरंत एक टेस्ट चला सकें।
चरण 2: एक साफ़ प्रॉम्प्ट लिखें
डिफ़ॉल्ट प्रॉम्प्ट की जगह अपना आइडिया लिखें। पहले बताया गया क्रम अपनाएँ: शॉट का प्रकार, एक सब्जेक्ट, एक एक्शन, सेटिंग और रोशनी, फिर "हाई रिज़ॉल्यूशन 4k"।
चरण 3: पैरामीटर सेट करें
मॉडल में छह इनपुट हैं। हर एक का काम यह है:
| पैरामीटर | डिफ़ॉल्ट | यह क्या करता है | टिप |
|---|
| Prompt | गिरगिट की आँख | आपके दृश्य का विवरण | सिर्फ़ एक सब्जेक्ट |
| Num Frames | 163 | क्लिप की लंबाई | ज़्यादा फ़्रेम का मतलब है लंबा और धीमा रेंडर |
| Fps | 30 | प्रति सेकंड फ़्रेम | स्मूद मोशन के लिए 30 रखें |
| Guidance Scale | 6 | प्रॉम्प्ट का कितनी सख्ती से पालन हो | 5 से 7 आज़माएँ, ज़्यादा वैल्यू पर नतीजा अकड़ा हुआ लग सकता है |
| Num Inference Steps | 64 | डिटेल की क्वालिटी | ज़्यादा स्टेप्स से नॉइज़ घटता है, पर समय ज़्यादा लगता है |
| Seed | रैंडम | नतीजे को दोबारा पाने लायक बनाता है | जो सीड पसंद आएँ, उन्हें सेव करें |
डिफ़ॉल्ट सेटिंग पर, 30 fps पर 163 फ़्रेम से लगभग साढ़े पाँच सेकंड की क्लिप बनती है।
चरण 4: जनरेट करें और जाँचें
जनरेट दबाएँ और क्लिप का इंतज़ार करें। इसे दो बार देखें: एक बार मुख्य मोशन के लिए, और एक बार किनारों और हाथों के लिए, जहाँ अक्सर वार्पिंग दिखती है। अगर कुछ ठीक न लगे, तो प्रॉम्प्ट को दोबारा लिखने के बजाय उसे छोटे-छोटे कदमों में बदलें।
चरण 5: सीड दोबारा इस्तेमाल करें
जब कोई नतीजा करीब हो, तो सीड वही रखें और एक बार में एक ही डिटेल बदलें, जैसे रोशनी या कैमरे की दूरी। अच्छी क्लिप को बेहतरीन क्लिप में बदलने का यही सबसे तेज़ तरीका है।

💡 टिप: किसी प्रॉम्प्ट के बारे में राय बनाने से पहले उसी प्रॉम्प्ट को तीन अलग-अलग सीड के साथ चलाएँ। टेक्स्ट-टू-वीडियो के नतीजों में काफ़ी उतार-चढ़ाव होता है, और एक कमज़ोर नतीजे का मतलब यह नहीं कि आइडिया कमज़ोर है।
कॉपी करने लायक प्रॉम्प्ट के उदाहरण
ये प्रॉम्प्ट उसी ढाँचे पर बने हैं जिस पर मॉडल अच्छा रिस्पॉन्ड करता है। इन्हें जैसे के तैसे पेस्ट करें, फिर ज़रूरत के हिसाब से बदलें।
प्रकृति और जानवर
- धूप से भरे, ऊँची घास वाले मैदान में दौड़ते गोल्डन रिट्रीवर का मीडियम शॉट, हवा में उड़ते कान, देर दोपहर की गर्म बैकलाइट, हाई रिज़ॉल्यूशन 4k।
- बैंगनी लैवेंडर के फूल पर उतरती मधुमक्खी का क्लोज़ शॉट, थरथराते पंख, शैलो डेप्थ ऑफ़ फ़ील्ड, सुबह की हल्की रोशनी, हाई रिज़ॉल्यूशन 4k।

पानी और लैंडस्केप
- सूर्योदय के समय हल्के रंग की रेत वाले बीच पर आती फ़िरोज़ी समुद्री लहरों का एरियल शॉट, किनारे की रेखा पर फैलता झाग, हाई रिज़ॉल्यूशन 4k।
- भोर में चीड़ की घाटी में बहती धुंध का वाइड शॉट, धीमी हलचल, हल्की ठंडी रोशनी, हाई रिज़ॉल्यूशन 4k।
खाना और लाइफ़स्टाइल
- मार्बल की मेज़ पर सफ़ेद सिरेमिक कप में डाली जा रही गर्म कॉफ़ी का क्लोज़ शॉट, उठती भाप, दाईं ओर की खिड़की से आती रोशनी, हाई रिज़ॉल्यूशन 4k।
- शाम के स्ट्रीट मार्केट में लकड़ी के क्रेट में संतरे सजाते एक विक्रेता का मीडियम शॉट, जगमगाती लाइट की लड़ियाँ, हाई रिज़ॉल्यूशन 4k।

मैक्रो और टेक्सचर
- गिरगिट की आँख का क्लोज़-अप, शल्कों वाली त्वचा का बदलता रंग। अल्ट्रा हाई रिज़ॉल्यूशन 4k।
- हरी पत्ती पर गिरती बारिश की बूँदों का क्लोज़ शॉट, पानी मोतियों की तरह जमकर नीचे लुढ़कता हुआ, हाई रिज़ॉल्यूशन 4k।
Mochi 1 क्लिप के असली इस्तेमाल
पाँच सेकंड की क्लिप छोटी होती है, लेकिन छोटी क्लिप बहुत-से काम आती हैं।
- बी-रोल। किसी वीडियो एसे या प्रोडक्ट वॉकथ्रू के खाली हिस्सों को प्रकृति या शहर के शॉट से भरें।
- कॉन्सेप्ट टेस्टिंग। किसी शूट पर पक्का फ़ैसला लेने से पहले दृश्य का मूड जाँच लें।
- सोशल कंटेंट। छोटे, लूप होने वाले पल वर्टिकल फ़ीड पर अच्छा प्रदर्शन करते हैं।
- मोशन में स्टोरीबोर्ड। सपाट स्केच की जगह क्लाइंट को दिखाएँ कि कोई सीक्वेंस कैसा महसूस हो सकता है।
- बैकग्राउंड। धीमे लैंडस्केप और टेक्सचर टाइटल के पीछे अच्छे लगते हैं।

480p से ज़्यादा फ़ायदा कैसे उठाएँ
प्रीव्यू का रिज़ॉल्यूशन मामूली है। दो आदतें मदद करती हैं। पहली, सब्जेक्ट को सरल रखें, ताकि खोने के लिए बारीक डिटेल कम हो। दूसरी, तैयार क्लिप को किसी अपस्केलर से गुज़ारें। PicassoIA के सभी मॉडल वाले पेज पर वीडियो एन्हांसमेंट टूल हैं, जो जनरेट करने के बाद क्लिप का रिज़ॉल्यूशन और शार्पनेस बढ़ा सकते हैं।
Mochi 1 बनाम दूसरे वीडियो मॉडल
कोई भी एक मॉडल हर काम में आगे नहीं रहता। यहाँ देखें कि PicassoIA के कुछ लोकप्रिय विकल्पों के मुकाबले Mochi 1 कैसा है।
| मॉडल | इनपुट | खूबी | कब चुनें |
|---|
| Mochi 1 | टेक्स्ट | प्राकृतिक मोशन, प्रॉम्प्ट की सटीकता | जब आपको शब्दों से असली दुनिया जैसे, फ़ोटोग्राफ़िक दृश्य चाहिए |
| Wan 2.5 T2V | टेक्स्ट | क्वालिटी और स्पीड का संतुलन | जब आपको हर तरह के काम के लिए एक विकल्प चाहिए |
| Kling v2.5 Turbo Pro | टेक्स्ट और इमेज | सिनेमैटिक पॉलिश | जब आपको प्रीमियम लुक चाहिए |
| Hunyuan Video | टेक्स्ट | यथार्थवादी, डिटेल से भरा आउटपुट | जब यथार्थवाद सबसे ज़्यादा मायने रखता है |
| LTX Video | टेक्स्ट | तेज़ जनरेशन | जब आप जल्दी-जल्दी नए वर्ज़न आज़माते हैं |
| Veo 3.1 Fast | टेक्स्ट | नेटिव ऑडियो और 1080p | जब आपको क्लिप के साथ आवाज़ चाहिए |
| Seedance 2.5 Lite | टेक्स्ट और इमेज | मुफ़्त, लंबी क्लिप | जब आपको बिना खर्च के लंबाई चाहिए |
चुनने का आसान तरीका
तीन सवाल पूछें। क्या आपको आवाज़ चाहिए? नेटिव ऑडियो वाला मॉडल चुनें। क्या आपको किसी फ़ोटो से शुरुआत करनी है? इमेज-टू-वीडियो मॉडल चुनें। क्या आपको बस एक वाक्य से पाँच सेकंड का असली लगने वाला दृश्य चाहिए? तो Mochi 1 शुरुआत के लिए एक ठोस और आसान जगह है।
आम समस्याओं का हल
मोशन बिगड़ी हुई दिखती है
सरल बनाएँ। प्रॉम्प्ट को एक सब्जेक्ट और एक एक्शन तक छोटा करें, और आखिर में "हाई रिज़ॉल्यूशन 4k" जोड़ें। इनफ़रेंस स्टेप्स बढ़ाने से भी नॉइज़ साफ़ हो सकता है।
क्लिप प्रॉम्प्ट के कुछ हिस्से को नज़रअंदाज़ करती है
सबसे ज़रूरी डिटेल को वाक्य की शुरुआत में ले आएँ। अगर इससे बात न बने, तो गाइडेंस स्केल एक पॉइंट बढ़ाएँ और फिर से टेस्ट करें।
नतीजा अकड़ा हुआ लगता है
गाइडेंस स्केल थोड़ा कम करें। बहुत ऊँची वैल्यू मॉडल को प्रॉम्प्ट के करीब रखती हैं, लेकिन इनसे प्राकृतिक हलचल सपाट पड़ सकती है।
स्टाइल गलत लगता है
अगर आपने इलस्ट्रेशन या एनिमेशन माँगा था, तो रियलिस्टिक शब्दों पर आ जाएँ या स्टाइलाइज़्ड वीडियो के लिए बना कोई मॉडल इस्तेमाल करें। Mochi 1 फ़ोटोग्राफ़िक नतीजों के लिए ट्यून किया गया है।
आज ही अपनी पहली क्लिप बनाएँ
Mochi 1 एक झटपट प्रयोग के लिए बिल्कुल सही तरह का टूल है: एक वाक्य डालें, एक असली लगने वाली क्लिप पाएँ, न सेटअप की ज़रूरत, न आज़माने का खर्च। PicassoIA पर Mochi 1 पेज खोलें, ऊपर दिए प्रॉम्प्ट में से कोई एक पेस्ट करें, और देखें कि क्या नतीजा आता है। जो क्लिप पसंद आए, उसका सीड संभालकर रखें, एक डिटेल बदलें और उसे फिर से चलाएँ।
जब आपको शुरुआती इमेज, लंबी क्लिप या आवाज़ चाहिए, तो इस लेख में बताए गए किसी विकल्प पर जाएँ या picassoia.com/en/all-models पर सब कुछ देखें। कोई ऐसा सब्जेक्ट चुनें जो आपको पहले से पसंद है, उसे एक साफ़ वाक्य में लिखें, और अभी अपना पहला वीडियो बनाएँ।