Genmo का Mochi 1 एक ओपन-सोर्स, मुफ़्त इस्तेमाल होने वाला AI वीडियो जनरेशन मॉडल है, जो अपनी असाधारण टेम्पोरल कंसिस्टेंसी और सहज मोशन क्वालिटी के लिए अलग दिखता है। यह लेख बताता है कि Mochi 1 कैसे काम करता है, यह दूसरे वीडियो जनरेशन टूल्स से कैसे अलग है, असली दुनिया के परीक्षणों में यह कैसा प्रदर्शन करता है, और आप इसे अभी बिना कोई पैसा खर्च किए कहाँ से आज़मा सकते हैं।
ओपन-सोर्स AI वीडियो की दुनिया में एक गंभीर दावेदार आ गया है। Genmo ने Mochi 1 को 2024 के अंत में पूरे मॉडल वेट्स के साथ सार्वजनिक रूप से जारी किया, और तब से यह दुनिया भर में प्रोडक्शन पाइपलाइन, क्रिएटिव वर्कफ़्लो और रिसर्च प्रोजेक्ट्स में अपनी जगह बना रहा है। अगर आप टेक्स्ट-टू-वीडियो की दुनिया पर नज़र रख रहे हैं और सोच रहे हैं कि क्या कोई मुफ़्त विकल्प सच में पेड विकल्पों से मुकाबला कर सकता है, तो Mochi 1 वह पहला जवाब है जिसे गंभीरता से लेना चाहिए।
Mochi 1 Genmo का विकसित किया हुआ टेक्स्ट-टू-वीडियो डिफ्यूज़न मॉडल है। Genmo एक AI रिसर्च कंपनी है जो मल्टीमोडल वीडियो जनरेशन पर काम करती है। यह Apache 2.0 लाइसेंस के तहत जारी हुआ है और उपलब्ध सबसे उदार ओपन-सोर्स वीडियो मॉडल्स में से एक है। इसका मतलब है कि आप इसे डाउनलोड कर सकते हैं, अपने कंप्यूटर पर लोकली चला सकते हैं, इसमें बदलाव कर सकते हैं, फाइन-ट्यून कर सकते हैं, और बिना लाइसेंसिंग फीस चुकाए आउटपुट का कमर्शियल इस्तेमाल भी कर सकते हैं।
यह मॉडल 480p रिज़ॉल्यूशन पर 5.4 सेकंड तक के हाई-फ़िडेलिटी वीडियो बनाता है, जिसमें फ्रेम-दर-फ्रेम मज़बूत टेम्पोरल कंसिस्टेंसी होती है। इसे एक बहुत बड़े वीडियो डेटासेट पर प्रशिक्षित किया गया है और इसे ऐसी सहज, स्वाभाविक मूवमेंट देने के लिए डिज़ाइन किया गया है, न कि उन झटकेदार या टेढ़े-मेढ़े मूवमेंट के लिए जो पिछले ओपन-सोर्स विकल्पों को परेशान करते थे।
तकनीकी स्तर पर Mochi 1 को जो चीज़ अलग करती है, वह इसका आर्किटेक्चर है। स्टैंडर्ड डिफ्यूज़न ट्रांसफ़ॉर्मर स्ट्रक्चर इस्तेमाल करने के बजाय, Genmo ने जो बनाया उसे वे Asymmetric Diffusion Transformer (AsymmDiT) कहते हैं। यह तरीका वीडियो और टेक्स्ट टोकन को मूल रूप से अलग ढंग से प्रोसेस करता है:
यह मायने रखता है, क्योंकि ज़्यादातर वीडियो डिफ्यूज़न मॉडल टेक्स्ट और वीडियो टोकन के साथ एक जैसा बर्ताव करते हैं, जिससे टेक्स्ट वाले हिस्से पर कंप्यूट बजट बर्बाद होता है। AsymmDiT वह कंप्यूट वहाँ लगाता है जहाँ उसका सबसे ज़्यादा असर होता है।
बंद वीडियो जनरेशन टूल्स तय करते हैं कि आप क्या बना सकते हैं, किस रिज़ॉल्यूशन पर बना सकते हैं, और किस उपयोग के लिए बना सकते हैं। Mochi 1 इन पाबंदियों को पूरी तरह हटा देता है। रिसर्चर इसे मेडिकल इमेजिंग, आर्किटेक्चर विज़ुअलाइज़ेशन और फ़ैशन जैसे खास क्षेत्रों पर फाइन-ट्यून कर सकते हैं। डेवलपर इसे अपने कस्टम ऐप्स में जोड़ सकते हैं। क्रिएटर्स हर वह फ्रेम अपने पास रखते हैं जो वे बनाते हैं।
Apache 2.0 लाइसेंस का मतलब यह भी है कि कमर्शियल इस्तेमाल की अनुमति है, इसलिए Mochi 1 एजेंसियों और प्रोडक्शन स्टूडियो के लिए व्यावहारिक है, जिन्हें अपनी कंटेंट पाइपलाइन की लागत अनुमानित रखनी होती है।
हर ओपन-सोर्स रिलीज़ अपने वादे सच में पूरे नहीं करती। Mochi 1 तीन खास क्षेत्रों में अलग दिखता है, जिन्हें यूज़र सामुदायिक तुलनाओं में लगातार उजागर करते हैं।
AI वीडियो में सबसे आम दिक्कत टेम्पोरल इनकंसिस्टेंसी है: फ्रेम के बीच चेहरे बदल जाते हैं, ऑब्जेक्ट्स झिलमिलाते हैं, और बैकग्राउंड अजीब तरीके से खिसकते हैं। Mochi 1 इसे पिछले ओपन मॉडल्स से बेहतर संभालता है। AsymmDiT आर्किटेक्चर, और एक चुने हुए हाई-मोशन डेटासेट पर प्रशिक्षण, मिलकर ऐसे वीडियो देते हैं जहाँ सब्जेक्ट्स तालमेल से चलते हैं और पूरे क्लिप में बैकग्राउंड और आसपास का परिवेश स्थिर रहता है।
💡 प्रो टिप: ऐसे प्रॉम्प्ट जो लगातार चलती हुई गतिविधि बताते हैं (कोई व्यक्ति चल रहा हो, पानी बह रहा हो, पत्ते गिर रहे हों), Mochi के सबसे अच्छे नतीजे देते हैं। स्थिर दृश्य के विवरण मॉडल को काम करने के लिए पर्याप्त मोशन स्ट्रक्चर नहीं देते।
Mochi की एक खास ताकत चेहरे और शरीर के हावभाव हैं। जब प्रॉम्प्ट में कोई व्यक्ति भावनात्मक प्रतिक्रिया देता दिखाया जाता है, तो Mochi उस प्रतिक्रिया को विश्वसनीय ढंग से रेंडर करने की कोशिश करता है, न कि होंठों की हलचल वाले जमे हुए चेहरे की ओर झुकता है। इसी वजह से यह नैरेटिव कंटेंट, शॉर्ट फ़िल्मों और सोशल मीडिया वीडियो के लिए खास उपयोगी है, जिनमें असली कैरेक्टर प्रेज़ेंस चाहिए।
Mochi 1 उसी कीमत (मुफ़्त) वाले कई विकल्पों से ज़्यादा सटीकता से जटिल प्रॉम्प्ट का पालन करता है। आप एक ही प्रॉम्प्ट में कैमरा मूवमेंट, सब्जेक्ट का व्यवहार और माहौल का विवरण बता सकते हैं और उम्मीद कर सकते हैं कि मॉडल उन सबको आज़माएगा। नतीजे हमेशा परफ़ेक्ट नहीं होते, लेकिन इरादे के प्रति वफ़ादारी साफ़ दिखती है।
Mochi 1 को मौजूदा परिदृश्य में रखकर देखना ज़रूरी है। टेक्स्ट-टू-वीडियो की दुनिया में दर्जनों मॉडल हैं, मुफ़्त भी और पेड भी। यहाँ बताया गया है कि Mochi उन मॉडलों की तुलना में कैसा है जिनसे ज़्यादातर क्रिएटर्स का सामना होता है:
| मॉडल | ओपन सोर्स | रिज़ॉल्यूशन | मोशन क्वालिटी | लाइसेंस |
|---|---|---|---|---|
| Mochi 1 | हाँ | 480p | शानदार | Apache 2.0 |
| CogVideoX 5B | हाँ | 480p | अच्छा | Apache 2.0 |
| LTX Video | हाँ | 768p | अच्छा | Apache 2.0 |
| Hunyuan Video | हाँ | 720p | बहुत अच्छा | Custom |
| Sora | नहीं | 1080p | शानदार | Closed |
| Kling | नहीं | 1080p | बहुत अच्छा | Closed |
तालिका साफ़ तस्वीर पेश करती है: मोशन क्वालिटी में Mochi 1 ओपन-सोर्स श्रेणी के शीर्ष पर है, भले ही रिज़ॉल्यूशन के मामले में वह Hunyuan जैसे नए मॉडलों से पीछे रह जाता है। जो टीमें कच्चे रिज़ॉल्यूशन से ज़्यादा अभिव्यंजक मोशन को प्राथमिकता देती हैं, उनके लिए Mochi अब भी सबसे मज़बूत मुफ़्त विकल्प है।
Kling v2.6 या Pixverse v5 जैसे पेड विकल्प लंबी क्लिप (10 सेकंड या उससे ज़्यादा तक), ज़्यादा रिज़ॉल्यूशन, और प्रोफेशनल हार्डवेयर पर तेज़ जनरेशन देते हैं। अगर आप बड़े पैमाने पर कमर्शियल कंटेंट बना रहे हैं और क्वालिटी से समझौता नहीं हो सकता, तो पेड टियर जायज़ हो जाता है। लेकिन प्रोटोटाइपिंग, क्रिएटिव प्रयोग, या कम बजट वाली स्वतंत्र प्रोडक्शन के लिए Mochi 1 सब्सक्रिप्शन के बिना भी गंभीर नतीजे देता है।
PicassoIA Mochi 1 को सीधे होस्ट करता है, इसलिए आप लोकल एनवायरनमेंट सेट किए, मॉडल वेट्स डाउनलोड किए या GPU हार्डवेयर संभाले बिना ब्राउज़र से इसे चला सकते हैं। यह रहा चरण-दर-चरण तरीका:
PicassoIA पर Mochi 1 पर जाएँ। इंटरफ़ेस में साइड पैनल पर पैरामीटर कंट्रोल के साथ एक साफ़ प्रॉम्प्ट इनपुट लोड होता है। आउटपुट का पूर्वावलोकन देखने के लिए कोई अकाउंट ज़रूरी नहीं है।
आपका प्रॉम्प्ट सबसे अहम वेरिएबल है। Mochi 1 उन प्रॉम्प्ट्स पर सबसे अच्छा प्रतिक्रिया देता है जो ये हों:
एक उदाहरण प्रॉम्प्ट जो अच्छा काम करता है: "एक युवा महिला बारिश की लकीरों वाली खिड़की के पास बैठी है, धीरे-धीरे मुड़कर कैमरे की ओर देखती है, उसके चेहरे पर गर्म इनडोर लैंप की रोशनी है, बैकग्राउंड में धुंधली शहर की रोशनियाँ हैं, नरम सिनेमैटिक माहौल"
PicassoIA पर मॉडल इंटरफ़ेस कुछ अहम पैरामीटर दिखाता है:
| पैरामीटर | यह क्या करता है | सुझाया गया मान |
|---|---|---|
| Steps | इनफ़रेंस डिनॉइज़िंग स्टेप्स | क्वालिटी के लिए 64, स्पीड के लिए 30 |
| CFG Scale | प्रॉम्प्ट का कितनी बारीकी से पालन करना है | 4.5 से 6.0 |
| सीड | दोहराव (रिप्रोड्यूसिबिलिटी) नियंत्रण | विविधता के लिए रैंडम |
जनरेट बटन दबाएँ और इंतज़ार करें। Mochi 1 तुरंत नतीजा नहीं देता, क्लाउड हार्डवेयर पर भी नहीं, लेकिन जनरेशन आमतौर पर 2 मिनट से कम में पूरा हो जाता है। अगर पहला नतीजा आपकी कल्पना से मेल नहीं खाता, तो पहले पैरामीटर नहीं, प्रॉम्प्ट बदलें। मॉडल संख्यात्मक बदलावों के मुकाबले भाषा के बदलावों पर ज़्यादा संवेदनशील है।
💡 टिप: प्रॉम्प्ट की शुरुआत में मोशन डिस्क्रिप्टर जोड़ें। "...के पार धीमा पैन" या "हाथों का धीरे-धीरे क्लोज़-अप" कैमरा और मोशन का संदर्भ सब्जेक्ट के विवरण से पहले तय करते हैं और नतीजों को लगातार बेहतर बनाते हैं।
चूँकि Mochi 1 का आउटपुट 480p में आता है, इसलिए पब्लिश करने के लिए आप नतीजे को किसी सुपर-रेज़ोल्यूशन टूल से चलाकर 720p या 1080p तक ले जाना चाह सकते हैं। PicassoIA पर Super Resolution मॉडल उपलब्ध हैं, जो वीडियो फ़्रेम को प्रभावी ढंग से अपस्केल करते हैं और बारीक डिटेल की क्वालिटी में कोई बड़ी कमी नहीं आती।
सैद्धांतिक क्षमताएँ उतनी मायने नहीं रखतीं जितना यह कि लोग इस मॉडल से असल में क्या बना रहे हैं। यहाँ वे श्रेणियाँ हैं जहाँ Mochi 1 लगातार अच्छा प्रदर्शन करता है।
TikTok, Instagram Reels और YouTube Shorts ने छोटे वीडियो कंटेंट की लगातार मांग पैदा की है, जो देखने में दिलचस्प हो, लेकिन ज़रूरी नहीं कि सिनेमैटोग्राफ़िक हो। Mochi 1 की 5 सेकंड की क्लिप इस फ़ॉर्मेट में बिल्कुल फिट बैठती हैं। एक फ़ैशन क्रिएटर किसी मॉडल का प्राकृतिक आउटडोर सेटिंग में B-roll बना सकता है। एक फ़ूड ब्लॉगर किसी रेसिपी को मूवमेंट में दिखा सकता है। एक ट्रैवल अकाउंट कैमरा क्रू के बिना डेस्टिनेशन टीज़र क्लिप बना सकता है।
480p आउटपुट उन मोबाइल-फ़र्स्ट प्लेटफ़ॉर्म्स के लिए स्वीकार्य है, जहाँ दर्शक छोटी स्क्रीन पर कंप्रेस्ड वीडियो देखते हैं।
फ़िल्म डायरेक्टर और एडवर्टाइज़िंग प्रोड्यूसर AI वीडियो का इस्तेमाल एनिमेटिक्स के लिए करते हैं, यानी महँगी शूटिंग से पहले किए जाने वाले रफ़ मोशन टेस्ट। Mochi 1 यहाँ अच्छी तरह फिट बैठता है, क्योंकि इसका कैरेक्टर मोशन इतना विश्वसनीय है कि किसी क्लाइंट या क्रिएटिव डायरेक्टर को फ़ाइनल प्रोडक्शन की पॉलिश के बिना भी दृश्य की ऊर्जा समझा सके। खासकर स्वतंत्र फ़िल्मकारों के लिए, बिना बजट के प्रीविज़ बना पाना एक बड़ा ऑपरेशनल फ़ायदा है।
क्योंकि वेट्स पूरी तरह ओपन हैं, Mochi 1 रिसर्च का आधार बन गया है। टीमें इसे खास विज़ुअल डोमेन पर फाइन-ट्यून कर रही हैं: आर्किटेक्चरल वॉकथ्रू, मेडिकल सिमुलेशन, वाहन डायनामिक्स और स्पोर्ट्स मोशन कैप्चर। Apache 2.0 लाइसेंस का मतलब है कि वे फाइन-ट्यून किए गए वर्ज़न बिना कानूनी जटिलताओं के कमर्शियल रूप से तैनात किए जा सकते हैं।
इस मॉडल को Replicate जैसे प्लेटफ़ॉर्म्स के ज़रिए API से कॉल किया जा सकता है, जिससे AI वीडियो जनरेशन को वेब ऐप्स, मोबाइल ऐप्स और ऑटोमेशन पाइपलाइन में जोड़ना आसान हो जाता है। उदाहरण के लिए, कोई डेवलपर पर्सनलाइज़्ड वीडियो ग्रीटिंग कार्ड टूल बना रहा है, तो वह Mochi 1 को जनरेशन बैकएंड के रूप में जोड़ सकता है, बिना शुरू से कस्टम इनफ़रेंस इंफ़्रास्ट्रक्चर बनाए।
मोशन क्वालिटी के लिए Mochi 1 सबसे मज़बूत ओपन-सोर्स विकल्प है, लेकिन यह अकेला नहीं है। आपकी खास ज़रूरतों के आधार पर ये विकल्प कुछ प्रोजेक्ट्स के लिए बेहतर फिट हो सकते हैं:
CogVideoX 5B Tsinghua University और Zhipu AI का बनाया एक और मज़बूत Apache 2.0 मॉडल है। यह टेक्स्ट-वीडियो एलाइनमेंट को खास तौर पर अच्छी तरह संभालता है और जब प्रॉम्प्ट में ऑब्जेक्ट्स के खास इंटरैक्शन बताए जाते हैं, तो सुसंगत दृश्य बनाता है। अभिव्यंजक कैरेक्टर मोशन में यह Mochi से थोड़ा पीछे है, लेकिन नैरेटिव कंटेंट के लिए यह एक भरोसेमंद दूसरा विकल्प है।
Pyramid Flow पिरामिड-आधारित डिफ्यूज़न तरीका इस्तेमाल करता है, जो कई रिज़ॉल्यूशन पर कुशल जनरेशन संभव बनाता है। समान हार्डवेयर पर यह Mochi से तेज़ है और लैंडस्केप व पर्यावरणीय कंटेंट के लिए अच्छे नतीजे देता है, जहाँ कैरेक्टर की अभिव्यक्ति से ज़्यादा ज़रूरी दृश्य की क्वालिटी होती है।
Stable Diffusion Videos उन लोगों के लिए एक ठोस विकल्प बना हुआ है जो पहले से Stable Diffusion इकोसिस्टम में लगे हैं। यह Mochi से कम फ़िडेलिटी देता है, लेकिन मौजूदा SD वर्कफ़्लो और स्ट्रक्चर्ड मोशन कंट्रोल के लिए ControlNet पाइपलाइन के साथ आसानी से जुड़ जाता है।
Wan 2.7 T2V सीरीज़ 1080p आउटपुट देती है और लंबी क्लिप अवधि सपोर्ट करती है। अगर रिज़ॉल्यूशन और क्लिप की लंबाई ओपन-सोर्स एक्सेस से ज़्यादा मायने रखती है, तो Wan 2.7 पर विचार करना सही है। यह PicassoIA पर उपलब्ध है और कमर्शियल कंटेंट के लिए सिनेमैटिक नतीजे देता है, जिसे बिना किसी अतिरिक्त काम के प्रकाशन-योग्य क्वालिटी चाहिए।
Mochi 1 के लिए प्रॉम्प्ट लिखना अभ्यास से निखरने वाला कौशल है, लेकिन कुछ पैटर्न शुरू से ही मज़बूत नतीजे देने में भरोसेमंद हैं।
सब्जेक्ट-एक्शन-एनवायरनमेंट-लाइट फ़ॉर्मूला:
सब्जेक्ट और वह क्या कर रहा है, इससे शुरू करें, फिर एनवायरनमेंट का वर्णन करें, फिर रोशनी बताएँ। इससे मॉडल को एक साफ़ स्थानिक और कालिक ढाँचा मिलता है।
उदाहरण: "लिनन की शर्ट पहने एक आदमी धीरे से कॉफ़ी का कप अपने होंठों तक ले जाता है, धूप वाले खुले टेरेस पर लकड़ी की कैफ़े टेबल पर बैठा, गर्म दोपहर की धूप ऊपर बाईं ओर से आ रही है, शैलो डेप्थ ऑफ़ फ़ील्ड"
किससे बचें:
नेगेटिव प्रॉम्प्ट जो मदद करते हैं:
"ब्लर", "विकृत चेहरे", "वॉटरमार्क" और "कम क्वालिटी" के लिए नेगेटिव गाइडेंस जोड़ने से नतीजे लगातार बेहतर होते हैं, भले ही बेस प्रॉम्प्ट पहले से अच्छी तरह लिखा हो। चेहरों के क्लोज़-अप शॉट्स में यह खास तौर पर सच है।
Mochi 1 ऐसे समय पर आया जब कई अच्छी फंडिंग वाली टीमें ओपन-सोर्स वीडियो मॉडल्स पर कम्युनिटी बनाने की रणनीति के तौर पर दांव लगा रही थीं। Stability AI, Tencent, Lightricks और Genmo, सभी ने 2024 के अंत और 2025 की शुरुआत की एक छोटी अवधि में ओपन वेट्स जारी किए। नतीजा यह है कि ओपन-सोर्स इकोसिस्टम उम्मीद से कहीं ज़्यादा समृद्ध हो गया है।
Genmo ने अपने रोडमैप के बारे में पारदर्शिता बरती है: हाई रिज़ॉल्यूशन आउटपुट, लंबी क्लिप अवधि, और खास कंटेंट श्रेणियों पर प्रशिक्षित फाइन-ट्यून वर्ज़न, ये सब सक्रिय विकास में हैं। Hugging Face पर Mochi के आसपास की कम्युनिटी ने एनीमे, फ़ोटोरियलिज़्म और पोर्ट्रेट वीडियो के लिए अनुकूलित फाइन-ट्यून पहले ही बना लिए हैं, जो दिखाता है कि कोई ओपन मॉडल कितनी तेज़ी से ढाला जा सकता है।
क्रिएटर्स के लिए इसका मतलब यह है कि मुफ़्त वीडियो जनरेशन की क्वालिटी की सीमा तेज़ी से ऊपर जा रही है। जिन मॉडल्स के लिए 2023 में हर महीने सैकड़ों डॉलर के क्लाउड कंप्यूट की ज़रूरत पड़ती थी, वे अब एक ब्राउज़र और एक टेक्स्ट प्रॉम्प्ट के ज़रिए उपलब्ध हैं।
अगर आप एक ऐसे AI वीडियो टूल का इंतज़ार कर रहे थे जो मुफ़्त हो, उदार लाइसेंस वाला हो, और सच में अच्छे नतीजे दे, तो Mochi 1 वही है। यह मॉडल अभी PicassoIA पर लाइव है, कोई डाउनलोड ज़रूरी नहीं, कोई सब्सक्रिप्शन ज़रूरी नहीं।
एक छोटे पोर्ट्रेट दृश्य या सरल पर्यावरणीय क्लिप के लिए Mochi 1 आज़माएँ। बुनियादी बातें समझ आने के बाद लंबे और ज़्यादा विस्तृत प्रॉम्प्ट आज़माएँ, और प्रकाशन के लिए अंतिम क्वालिटी बढ़ाने हेतु नतीजे को PicassoIA के सुपर-रेज़ोल्यूशन टूल्स में से किसी एक से चलाएँ।
Mochi के अलावा, PicassoIA टेक्स्ट-टू-वीडियो कलेक्शन में 100 से ज़्यादा वीडियो जनरेशन मॉडल होस्ट करता है, जो मुफ़्त ओपन-सोर्स विकल्पों से लेकर उपलब्ध सबसे शक्तिशाली कमर्शियल मॉडल्स तक हैं। Mochi 1, Wan 2.7 और Kling v2.6 के आउटपुट की साथ-साथ तुलना करने में एक सेशन बिताएँ। हर मॉडल किस चीज़ में अच्छा है, इसका फ़र्क किसी भी बेंचमार्क टेबल से ज़्यादा बताएगा।
ओपन-सोर्स वीडियो जनरेशन कम्युनिटी सच में उपयोगी चीज़ बना रही है। Mochi 1 इस बात का प्रमाण है कि आकर्षक AI वीडियो कंटेंट बनाने के लिए आपको प्रीमियम कीमत चुकाने की ज़रूरत नहीं है।
अपनी भाषा चुनें
