> 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-es/generacion-de-video/hunyuan-video.md).

# Hunyuan Video

Genera videos de alta calidad con Hunyuan Video de Tencent en Clore.ai

Genera videos de alta calidad con Hunyuan Video de código abierto de Tencent.

{% hint style="success" %}
Todos los ejemplos se pueden ejecutar en servidores GPU alquilados a través de [Marketplace de CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Alquilar en CLORE.AI

1. Visita [Marketplace de CLORE.AI](https://clore.ai/marketplace)
2. Filtra por tipo de GPU, VRAM y precio
3. Elige **Bajo demanda** (tarifa fija) o **Spot** (precio ofertado)
4. Configura tu pedido:
   * Selecciona la imagen de Docker
   * Configura los puertos (TCP para SSH, HTTP para interfaces web)
   * Añade variables de entorno si es necesario
   * Introduce el comando de inicio
5. Selecciona el método de pago: **CLORE**, **BTC**, o **USDT/USDC**
6. Crea el pedido y espera al despliegue

### Accede a tu servidor

* Encuentra los detalles de conexión en **Mis pedidos**
* Interfaces web: Usa la URL del puerto HTTP
* SSH: `ssh -p <port> root@<proxy-address>`

## ¿Qué es Hunyuan Video?

Hunyuan Video de Tencent ofrece:

* Generación de texto a video de alta calidad
* Clips de video de más de 5 segundos
* Resolución 720p
* De código abierto y utilizable comercialmente

## Recursos

* **Modelo:** [tencent/HunyuanVideo](https://huggingface.co/tencent/HunyuanVideo)
* **GitHub:** [Tencent/HunyuanVideo](https://github.com/Tencent/HunyuanVideo)
* **Artículo:** [Artículo de HunyuanVideo](https://arxiv.org/abs/2412.03603)

## Hardware recomendado

| Componente     | Mínimo        | Recomendado | Óptimo      |
| -------------- | ------------- | ----------- | ----------- |
| GPU            | RTX 4090 24GB | A100 40GB   | A100 80GB   |
| VRAM           | 24GB          | 40 GB       | 80 GB       |
| CPU            | 8 núcleos     | 16 núcleos  | 32 núcleos  |
| RAM            | 32GB          | 64GB        | 128GB       |
| Almacenamiento | 100GB NVMe    | 200 GB NVMe | 500 GB NVMe |
| Internet       | 500 Mbps      | 1 Gbps      | 1 Gbps      |

## Despliegue rápido en CLORE.AI

**Imagen de Docker:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Puertos:**

```
22/tcp
7860/http
```

**Comando:**

```bash
git clone https://github.com/Tencent/HunyuanVideo.git && \
cd HunyuanVideo && \
pip install -r requirements.txt && \\
python sample_video.py --prompt "Un gato caminando en un jardín"
```

## Accediendo a tu servicio

Después del despliegue, encuentra tu `http_pub` URL en **Mis pedidos**:

1. Ve a **Mis pedidos** página
2. Haz clic en tu pedido
3. Encuentra la `http_pub` URL (p. ej., `abc123.clorecloud.net`)

Usa `https://YOUR_HTTP_PUB_URL` en lugar de `localhost` en los ejemplos a continuación.

## Instalación

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

# Descargar modelos
python download_models.py
```

## Lo que puedes crear

### Contenido de marketing

* Videos de presentación de productos
* Clips para redes sociales
* Animaciones promocionales

### Proyectos creativos

* Conceptos de videos musicales
* Prototipos de cortometrajes
* Instalaciones artísticas

### Educación y capacitación

* Borradores de videos explicativos
* Conceptos de material de capacitación
* Visualización de conceptos

## Uso básico

```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 = "Un águila majestuosa surcando montañas nevadas, iluminación cinematográfica, 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)
```

## Generación avanzada

```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="Lapso de tiempo de una flor floreciendo, fotografía macro, pétalos detallados",
    negative_prompt="borroso, baja calidad, distorsionado, feo",
    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)
```

## Ejemplos de prompts

### Naturaleza y paisajes

```python
prompts = [
    "Aurora boreal danzando sobre un lago congelado, lapso de tiempo, etéreo",
    "Olas del océano rompiendo en una playa de arena negra volcánica, cámara lenta",
    "Tormenta eléctrica sobre un campo de trigo, iluminación dramática, 4K",
    "Flores de cerezo cayendo en un jardín japonés, primavera, pacífico"
]
```

### Ciencia ficción y fantasía

```python
prompts = [
    "Nave espacial despegando desde una ciudad futurista, cinematográfico, detallado",
    "Dragón volando entre nubes al atardecer, épico, fantasía",
    "Robot caminando por calles iluminadas con neón, cyberpunk, lluvia",
    "Portal mágico abriéndose en un bosque antiguo, luces místicas"
]
```

### Abstracto y artístico

```python
prompts = [
    "Gotas de tinta difundiéndose en agua, macro, colorido, abstracto",
    "Formas geométricas mutando y transformándose, gráficos en movimiento",
    "Pintura de luz en la oscuridad, efecto de larga exposición, vibrante"
]
```

## Generación por lotes

```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 = [
    "Arrecife de coral submarino con peces coloridos nadando",
    "Lapso de tiempo del tráfico de la ciudad de noche, estelas de luz",
    "Mariposa saliendo del capullo, documental de naturaleza"
]

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

for i, prompt in enumerate(prompts):
    print(f"Generando {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)
```

## Interfaz de Gradio

```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="Prompt negativo", value="borroso, baja calidad"),
        gr.Slider(16, 60, value=45, step=1, label="Fotogramas"),
        gr.Slider(20, 100, value=50, step=5, label="Pasos"),
        gr.Slider(3, 12, value=7, step=0.5, label="Guía"),
        gr.Number(value=-1, label="Semilla")
    ],
    outputs=gr.Video(label="Video generado"),
    title="Hunyuan Video - Texto a video en CLORE.AI"
)

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

## Rendimiento

| Resolución | Fotogramas | GPU       | Tiempo  |
| ---------- | ---------- | --------- | ------- |
| 544x960    | 45         | RTX 4090  | \~5 min |
| 544x960    | 45         | A100 40GB | \~3 min |
| 544x960    | 45         | A100 80GB | \~2 min |
| 720x1280   | 45         | A100 80GB | \~4 min |

## Problemas comunes y soluciones

### Sin memoria

**Problema:** CUDA sin memoria en GPU de 24 GB

**Soluciones:**

```python

# Habilitar todas las optimizaciones de memoria
pipe.enable_model_cpu_offload()
pipe.enable_sequential_cpu_offload()  # Más agresivo
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

# Reducir fotogramas y resolución
video = pipe(prompt, num_frames=24, height=480, width=720).frames[0]
```

### Generación lenta

**Problema:** Tarda demasiado en generar

**Soluciones:**

* Reduce `num_inference_steps` (30-40 todavía da buenos resultados)
* Reduce `num_frames` (24 fotogramas = 1.6 s a 15 fps)
* Usa una GPU A100 para un procesamiento más rápido
* Asegúrate de tener almacenamiento NVMe para cargar el modelo

### Mala calidad de video

**Problema:** Movimiento borroso o inconsistente

**Soluciones:**

* Aumenta `num_inference_steps` a 75-100
* Ajusta `guidance_scale` (6-8 funciona mejor)
* Escribe prompts más detallados
* Añade prompts negativos para evitar problemas

### Artefactos de video

**Problema:** Parpadeo o inconsistencias temporales

**Soluciones:**

* Usa una semilla constante para la reproducibilidad
* Evita prompts con movimiento rápido
* Posprocesa con estabilización de video

## Solución de problemas

{% hint style="danger" %}
**Sin memoria**
{% endhint %}

* Hunyuan requiere un mínimo de 24 GB de VRAM
* Usa A100 de 40 GB/80 GB para obtener los mejores resultados
* Reduce la duración/resolución del video

### La generación de video falla

* Verifica que todos los archivos del modelo se hayan descargado correctamente
* Asegúrate de tener suficiente espacio en disco (100 GB+)
* Verifica la compatibilidad de CUDA y PyTorch

### Mala calidad de video

* Aumenta los pasos de inferencia
* Usa prompts más descriptivos
* Verifica que la resolución de entrada coincida con la esperada

### Generación lenta

* La generación de video requiere mucho cómputo
* Usa A100/H100 para obtener resultados más rápidos
* Considera primero clips más cortos

## Estimación de costos

Tarifas típicas del marketplace de CLORE.AI (a partir de 2024):

| GPU       | Tarifa por hora | Tarifa diaria | Sesión de 4 horas |
| --------- | --------------- | ------------- | ----------------- |
| 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           |

*Los precios varían según el proveedor y la demanda. Consulta* [*Marketplace de CLORE.AI*](https://clore.ai/marketplace) *las tarifas actuales.*

**Ahorra dinero:**

* Usa el **Spot** mercado para trabajo interrumpible — alrededor de un tercio de los servidores fija el precio spot por debajo del precio bajo demanda (mediana de \~13% de descuento), el resto lo iguala
* Paga con **CLORE** tokens
* Compara precios entre distintos proveedores

## Siguientes pasos

* CogVideoX - Alternativa T2V
* Wan2.1 Video - Otra opción T2V
* AnimateDiff - Animación de imágenes


---

# 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-es/generacion-de-video/hunyuan-video.md?ask=<question>&goal=<endgoal>
```

`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.