Hunyuan Video

Erzeuge hochwertige Videos mit Tengxuns Hunyuan Video auf Clore.ai

Erstelle hochwertige Videos mit Tencents Open-Source Hunyuan Video.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Mieten auf CLORE.AI

1. Besuchen Sie CLORE.AI Marketplace

2. Nach GPU-Typ, VRAM und Preis filtern

3. Wählen On-Demand (Festpreis) oder Spot (Gebotspreis)

4. Konfigurieren Sie Ihre Bestellung:

   • Docker-Image auswählen

   • Ports festlegen (TCP für SSH, HTTP für Web-UIs)

   • Umgebungsvariablen bei Bedarf hinzufügen

   • Startbefehl eingeben

5. Zahlung auswählen: CLORE, BTC, oder USDT/USDC

6. Bestellung erstellen und auf Bereitstellung warten

Zugriff auf Ihren Server

• Verbindungsdetails finden Sie in Meine Bestellungen

• Webschnittstellen: Verwenden Sie die HTTP-Port-URL

• SSH: ssh -p <port> root@<proxy-address>

Was ist Hunyuan Video?

Hunyuan Video von Tencent bietet:

• Hochwertige Text-zu-Video-Generierung

• Video-Clips über 5 Sekunden

• 720p Auflösung

• Open-Source und kommerziell nutzbar

Ressourcen

• Modell: tencent/HunyuanVideo

• GitHub: Tencent/HunyuanVideo

• Paper: HunyuanVideo Paper

Empfohlene Hardware

Komponente	Minimum	Empfohlen	Optimal
GPU	RTX 4090 24GB	A100 40GB	A100 80GB
VRAM	24GB	40GB	80GB
CPU	8 Kerne	16 Kerne	32 Kerne
RAM	32GB	64GB	128GB
Speicher	100GB NVMe	200GB NVMe	500GB NVMe
Internet	500 Mbps	1 Gbps	1 Gbps

Schnelle Bereitstellung auf CLORE.AI

Docker-Image:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel

Ports:

22/tcp
7860/http

Befehl:

git clone https://github.com/Tencent/HunyuanVideo.git && \
cd HunyuanVideo && \
pip install -r requirements.txt && \
python sample_video.py --prompt "Eine Katze, die in einem Garten spaziert"

Zugriff auf Ihren Dienst

Nach der Bereitstellung finden Sie Ihre http_pub URL in Meine Bestellungen:

1. Gehen Sie zur Meine Bestellungen Seite

2. Klicken Sie auf Ihre Bestellung

3. Finden Sie die http_pub URL (z. B., abc123.clorecloud.net)

Verwenden Sie https://IHRE_HTTP_PUB_URL anstelle von localhost in den Beispielen unten.

Installation

git clone https://github.com/Tencent/HunyuanVideo.git
cd HunyuanVideo
pip install -r requirements.txt

# Modelle herunterladen
python download_models.py

Was Sie erstellen können

Marketing-Inhalte

• Produktpräsentationsvideos

• Clips für soziale Medien

• Werbeanimationen

Kreative Projekte

• Konzepte für Musikvideos

• Prototypen für Kurzfilme

• Kunstinstallationen

Bildung & Ausbildung

• Entwürfe für Erklärvideos

• Konzepte für Schulungsmaterial

• Visualisierung von Konzepten

Grundlegende Verwendung

import torch
from diffusers import HunyuanVideoPipeline
from diffusers.utils import export_to_video

pipe = HunyuanVideoPipeline.from_pretrained(
    "tencent/HunyuanVideo",
    torch_dtype=torch.float16
)
pipe.to("cuda")
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

prompt = "Ein majestätischer Adler, der über schneebedeckte Berge gleitet, filmische Beleuchtung, 4K"

video_frames = pipe(
    prompt=prompt,
    num_frames=45,
    num_inference_steps=50,
    guidance_scale=7.0
).frames[0]

export_to_video(video_frames, "eagle.mp4", fps=15)

Erweiterte Generierung

import torch
from diffusers import HunyuanVideoPipeline
from diffusers.utils import export_to_video

pipe = HunyuanVideoPipeline.from_pretrained(
    "tencent/HunyuanVideo",
    torch_dtype=torch.float16
)
pipe.to("cuda")
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

video_frames = pipe(
    prompt="Zeitraffer einer Blüte, die sich öffnet, Makrofotografie, detaillierte Blütenblätter",
    negative_prompt="verschwommen, niedrige Qualität, verzerrt, hässlich",
    num_frames=45,
    height=544,
    width=960,
    num_inference_steps=50,
    guidance_scale=7.0,
    generator=torch.Generator("cuda").manual_seed(42)
).frames[0]

export_to_video(video_frames, "flower_bloom.mp4", fps=15)

Prompt-Beispiele

Natur & Landschaften

prompts = [
    "Polarlichter, die über einem zugefrorenen See tanzen, Zeitraffer, ätherisch",
    "Ozeanwellen, die an einem vulkanischen schwarzen Sandstrand brechen, Zeitlupe",
    "Gewitter über einem Weizenfeld, dramatische Beleuchtung, 4K",
    "Kirschblüten, die in einem japanischen Garten fallen, Frühling, friedlich"
]

Sci-Fi & Fantasy

prompts = [
    "Raumschiff startet aus einer futuristischen Stadt, filmisch, detailreich",
    "Drache fliegt durch Wolken bei Sonnenuntergang, episch, Fantasy",
    "Roboter läuft durch neonbeleuchtete Straßen, Cyberpunk, Regen",
    "Magisches Portal öffnet sich in einem uralten Wald, mystische Lichter"
]

Abstrakt & Künstlerisch

prompts = [
    "Tintentropfen, die sich im Wasser ausbreiten, Makro, farbenfroh, abstrakt",
    "Geometrische Formen, die sich verwandeln und morphieren, Motion Graphics",
    "Lichtmalerei in der Dunkelheit, Langzeitbelichtungseffekt, lebendig"
]

Batch-Erzeugung

import os
import torch
from diffusers import HunyuanVideoPipeline
from diffusers.utils import export_to_video

pipe = HunyuanVideoPipeline.from_pretrained("tencent/HunyuanVideo", torch_dtype=torch.float16)
pipe.to("cuda")
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

prompts = [
    "Unterwasser-Korallenriff mit bunten Fischen, die schwimmen",
    "Stadtverkehr-Zeitraffer bei Nacht, Lichtspuren",
    "Schmetterling schlüpft aus dem Kokon, Naturdokumentation"
]

output_dir = "./videos"
os.makedirs(output_dir, exist_ok=True)

for i, prompt in enumerate(prompts):
    print(f"Erzeuge {i+1}/{len(prompts)}: {prompt[:50]}...")

    video_frames = pipe(
        prompt=prompt,
        num_frames=45,
        num_inference_steps=50,
        guidance_scale=7.0
    ).frames[0]

    export_to_video(video_frames, f"{output_dir}/video_{i:03d}.mp4", fps=15)

Gradio-Oberfläche

import gradio as gr
import torch
from diffusers import HunyuanVideoPipeline
from diffusers.utils import export_to_video
import tempfile

pipe = HunyuanVideoPipeline.from_pretrained("tencent/HunyuanVideo", torch_dtype=torch.float16)
pipe.to("cuda")
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

def generate(prompt, negative_prompt, num_frames, steps, guidance, seed):
    generator = torch.Generator("cuda").manual_seed(seed) if seed > 0 else None

    video_frames = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        num_frames=num_frames,
        num_inference_steps=steps,
        guidance_scale=guidance,
        generator=generator
    ).frames[0]

    with tempfile.NamedTemporaryFile(suffix=".mp4", delete=False) as f:
        export_to_video(video_frames, f.name, fps=15)
        return f.name

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Textbox(label="Prompt", lines=3),
        gr.Textbox(label="Negativer Prompt", value="verschwommen, niedrige Qualität"),
        gr.Slider(16, 60, value=45, step=1, label="Frames"),
        gr.Slider(20, 100, value=50, step=5, label="Steps"),
        gr.Slider(3, 12, value=7, step=0.5, label="Guidance"),
        gr.Number(value=-1, label="Seed")
    ],
    outputs=gr.Video(label="Generated Video"),
    title="Hunyuan Video - Text zu Video auf CLORE.AI"
)

demo.launch(server_name="0.0.0.0", server_port=7860)

Leistung

Auflösung	Frames	GPU	Zeit
544x960	45	RTX 4090	~5 Min
544x960	45	A100 40GB	~3 Min
544x960	45	A100 80GB	~2 Min
720x1280	45	A100 80GB	~4 Min

Häufige Probleme & Lösungen

Kein Speicher mehr

Problem: CUDA: kein Speicher auf 24GB GPU

Lösungen:

# Aktivieren Sie alle Speicheroptimierungen
pipe.enable_model_cpu_offload()
pipe.enable_sequential_cpu_offload()  # Aggressiver
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

# Reduzieren Sie Frames und Auflösung
video = pipe(prompt, num_frames=24, height=480, width=720).frames[0]

Langsame Generierung

Problem: Dauert zu lange zu generieren

Lösungen:

• Reduzieren num_inference_steps (30-40 liefert immer noch gute Ergebnisse)

• Reduzieren num_frames (24 Frames = 1,6 s bei 15 fps)

• Verwenden Sie GPU A100 für schnellere Verarbeitung

• Stellen Sie sicher, dass Sie NVMe-Speicher zum Laden des Modells haben

Schlechte Videoqualität

Problem: Verschwommene oder inkonsistente Bewegung

Lösungen:

• Erhöhen Sie num_inference_steps auf 75-100

• Anpassen guidance_scale (6-8 funktioniert am besten)

• Schreiben Sie detailliertere Prompts

• Fügen Sie negative Prompts hinzu, um Probleme zu vermeiden

Video-Artefakte

Problem: Flackern oder zeitliche Inkonsistenzen

Lösungen:

• Verwenden Sie einen konsistenten Seed für Reproduzierbarkeit

• Vermeiden Sie Prompts mit schnellen Bewegungen

• Nachbearbeitung mit Video-Stabilisierung

Fehlerbehebung

Kein Speicher mehr

• Hunyuan benötigt mindestens 24GB VRAM

• Verwenden Sie A100 40GB/80GB für beste Ergebnisse

• Reduzieren Sie Videolänge/Auflösung

Videoerstellung schlägt fehl

• Überprüfen Sie, ob alle Modell-Dateien korrekt heruntergeladen wurden

• Stellen Sie genügend Festplattenspeicher sicher (100GB+)

• Überprüfen Sie die Kompatibilität von CUDA und PyTorch

Schlechte Videoqualität

• Erhöhen Sie die Inferenzschritte

• Verwenden Sie beschreibendere Prompts

• Überprüfen Sie, ob die Eingangsauflösung den Erwartungen entspricht

Langsame Generierung

• Die Videoerzeugung ist rechenintensiv

• Verwenden Sie A100/H100 für schnellere Ergebnisse

• Erwägen Sie zunächst kürzere Clips

Kostenabschätzung

Typische CLORE.AI-Marktplatztarife (Stand 2024):

GPU	Stundensatz	Tagessatz	4-Stunden-Sitzung
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie CLORE.AI Marketplace auf aktuelle Preise.

Geld sparen:

• Verwenden Sie Spot Markt für flexible Workloads (oft 30–50% günstiger)

• Bezahlen mit CLORE Token

• Preise bei verschiedenen Anbietern vergleichen

Nächste Schritte

• CogVideoX - Alternative T2V

• Wan2.1 Video - Eine weitere T2V-Option

• AnimateDiff - Bildanimation