> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/videogenerierung/hunyuan-video.md). # Hunyuan Video Generiere hochwertige Videos mit Tencents Hunyuan Video auf Clore.ai Erstellen Sie hochwertige Videos mit Tencents quelloffenem Hunyuan Video. {% hint style="success" %} Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über [CLORE.AI-Marktplatz](https://clore.ai/marketplace). {% endhint %} ## Mieten auf CLORE.AI 1. Besuchen [CLORE.AI-Marktplatz](https://clore.ai/marketplace) 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 root@` ## 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](https://huggingface.co/tencent/HunyuanVideo) * **GitHub:** [Tencent/HunyuanVideo](https://github.com/Tencent/HunyuanVideo) * **Paper:** [HunyuanVideo-Paper](https://arxiv.org/abs/2412.03603) ## 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:** ```bash 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 ```bash 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 ```python 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 ```python 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 ```python 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 ```python 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 ```python 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 ```python 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 ```python 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:** ```python # 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 {% hint style="danger" %} **Speicher voll** {% endhint %} * 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*](https://clore.ai/marketplace) *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 --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-de/videogenerierung/hunyuan-video.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.