Hunyuan Video

Generiere hochwertige Videos mit Tencents Hunyuan Video auf Clore.ai

Erstellen Sie hochwertige Videos mit Tencents quelloffenem Hunyuan Video.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über CLORE.AI-Marktplatz.

Mieten auf CLORE.AI

1. Besuchen CLORE.AI-Marktplatz

2. Filtern nach GPU-Typ, VRAM und Preis

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

4. Konfiguriere deine Bestellung:

   • Docker-Image auswählen

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

   • Bei Bedarf Umgebungsvariablen hinzufügen

   • Startbefehl eingeben

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

6. Bestellung erstellen und auf die Bereitstellung warten

Greife auf deinen Server zu

• Verbindungsdetails finden in Meine Bestellungen

• Web-Oberflächen: Verwende 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

• Videoclips mit mehr als 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	24 GB	40 GB	80 GB
CPU	8 Kerne	16 Kerne	32 Kerne
RAM	32 GB	64 GB	128 GB
Speicher	100 GB NVMe	200 GB NVMe	500 GB NVMe
Internet	500 Mbit/s	1 Gbit/s	1 Gbit/s

Schnellbereitstellung auf CLORE.AI

Docker-Image:

pytorch/pytorch:2.11.0-cuda12.8-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 spazieren geht"

Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine http_pub URL in Meine Bestellungen:

1. Gehe zu Meine Bestellungen Seite

2. Klicke auf deine Bestellung

3. Finde die http_pub URL (z. B. abc123.clorecloud.net)

Verwende https://YOUR_HTTP_PUB_URL anstelle von localhost in den folgenden Beispielen.

Installation

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

# Modelle herunterladen
python download_models.py

Was du erstellen kannst

Marketing-Inhalte

• Produktvorstellungsvideos

• Social-Media-Clips

• Werbeanimationen

Kreative Projekte

• Musikvideokonzepte

• Prototypen für Kurzfilme

• Kunstinstallationen

Bildung & Schulung

• 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, kinoreife 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)

Fortgeschrittene 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 blühenden Blume, Makrofotografie, detaillierte Blütenblätter",
    negative_prompt="unscharf, geringe 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 einen zugefrorenen See tanzen, Zeitraffer, ätherisch",
    "Ozeanwellen, die an einem schwarzen Vulkanstrand brechen, Zeitlupe",
    "Gewitter über einem Weizenfeld, dramatische Beleuchtung, 4K",
    "Kirschblüten, die in einem japanischen Garten fallen, Frühling, friedlich"
]

Science-Fiction & Fantasy

prompts = [
    "Raumschiff startet aus einer futuristischen Stadt, kinoreif, detailliert",
    "Drache fliegt bei Sonnenuntergang durch die Wolken, episch, Fantasy",
    "Roboter geht 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 verformen und verwandeln, Motion Graphics",
    "Lichtmalerei in der Dunkelheit, Langzeitbelichtungseffekt, lebendig"
]

Batch-Generierung

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",
    "Zeitraffer des Stadtverkehrs bei Nacht, Lichtspuren",
    "Schmetterling, der aus einem Kokon schlüpft, Naturdokumentation"
]

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

for i, prompt in enumerate(prompts):
    print(f"Generiere {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="unscharf, geringe Qualität"),
        gr.Slider(16, 60, value=45, step=1, label="Frames"),
        gr.Slider(20, 100, value=50, step=5, label="Schritte"),
        gr.Slider(3, 12, value=7, step=0.5, label="Guidance"),
        gr.Number(value=-1, label="Seed")
    ],
    outputs=gr.Video(label="Erstelltes 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

Speicher erschöpft

Problem: CUDA-Speicher erschöpft auf einer 24-GB-GPU

Lösungen:

# Alle Speicheroptimierungen aktivieren
pipe.enable_model_cpu_offload()
pipe.enable_sequential_cpu_offload()  # Aggressiver
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

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

Langsame Generierung

Problem: Die Generierung dauert zu lange

Lösungen:

• Reduziere num_inference_steps (30-40 liefern immer noch gute Ergebnisse)

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

• Verwenden Sie eine A100-GPU für schnellere Verarbeitung

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

Schlechte Videoqualität

Problem: Unscharfe 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 Videostabilisierung

Fehlerbehebung

Speicher voll

• Hunyuan benötigt mindestens 24 GB VRAM

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

• Reduzieren Sie Videolänge/-auflösung

Videogenerierung schlägt fehl

• Prüfen Sie, ob alle Modelldateien korrekt heruntergeladen wurden

• Stellen Sie sicher, dass genügend Speicherplatz vorhanden ist (100 GB+)

• Überprüfen Sie die Kompatibilität von CUDA und PyTorch

Schlechte Videoqualität

• Erhöhen Sie die Inferenzschritte

• Verwenden Sie beschreibendere Prompts

• Prüfen Sie, ob die Eingabeauflösung der erwarteten entspricht

Langsame Generierung

• Die Videogenerierung ist rechenintensiv

• Verwenden Sie A100/H100 für schnellere Ergebnisse

• Erwägen Sie zunächst kürzere Clips

Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (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

Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie CLORE.AI-Marktplatz für aktuelle Preise.

Geld sparen:

• Nutzen Sie den Spot Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf

• Bezahlen Sie mit CLORE Tokens

• Vergleichen Sie Preise zwischen verschiedenen Anbietern

Nächste Schritte

• CogVideoX - Alternative T2V

• Wan2.1 Video - Eine weitere T2V-Option

• AnimateDiff - Bildanimation