> 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-fr/generation-video/hunyuan-video.md).

# Hunyuan Video

Générez des vidéos de haute qualité avec Hunyuan Video de Tencent sur Clore.ai

Générez des vidéos de haute qualité avec Hunyuan Video open source de Tencent.

{% hint style="success" %}
Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [la place de marché CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Louer sur CLORE.AI

1. Visitez [la place de marché CLORE.AI](https://clore.ai/marketplace)
2. Filtrez par type de GPU, VRAM et prix
3. Choisissez **À la demande** (tarif fixe) ou **Spot** (prix d'enchère)
4. Configurez votre commande :
   * Sélectionnez l'image Docker
   * Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)
   * Ajoutez des variables d'environnement si nécessaire
   * Entrez la commande de démarrage
5. Sélectionnez le paiement : **CLORE**, **BTC**, ou **USDT/USDC**
6. Créez la commande et attendez le déploiement

### Accédez à votre serveur

* Trouvez les détails de connexion dans **Mes commandes**
* Interfaces web : utilisez l'URL du port HTTP
* SSH : `ssh -p <port> root@<proxy-address>`

## Qu'est-ce que Hunyuan Video ?

Hunyuan Video de Tencent offre :

* Génération texte-vers-vidéo de haute qualité
* Clips vidéo de plus de 5 secondes
* Résolution 720p
* Open source et utilisable commercialement

## Ressources

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

## Matériel recommandé

| Composant | Minimum        | Recommandé  | Optimal     |
| --------- | -------------- | ----------- | ----------- |
| GPU       | RTX 4090 24 Go | A100 40 Go  | A100 80 Go  |
| VRAM      | 24GB           | 40 Go       | 80 Go       |
| CPU       | 8 cœurs        | 16 cœurs    | 32 cœurs    |
| RAM       | 32 Go          | 64 Go       | 128 Go      |
| Stockage  | 100 Go NVMe    | 200 Go NVMe | 500 Go NVMe |
| Internet  | 500 Mbps       | 1 Gbps      | 1 Gbps      |

## Déploiement rapide sur CLORE.AI

**Image Docker :**

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

**Ports :**

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

**Commande :**

```bash
git clone https://github.com/Tencent/HunyuanVideo.git && \
cd HunyuanVideo && \
pip install -r requirements.txt && \
python sample_video.py --prompt "Un chat marchant dans un jardin"
```

## Accéder à votre service

Après le déploiement, trouvez votre `http_pub` URL dans **Mes commandes**:

1. Accédez à **Mes commandes** la page
2. Cliquez sur votre commande
3. Trouvez le `http_pub` URL (par ex., `abc123.clorecloud.net`)

Utilisez `https://YOUR_HTTP_PUB_URL` au lieu de `localhost` dans les exemples ci-dessous.

## Installation

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

# Télécharger les modèles
python download_models.py
```

## Ce que vous pouvez créer

### Contenu marketing

* Vidéos de présentation de produits
* Clips pour les réseaux sociaux
* Animations promotionnelles

### Projets créatifs

* Concepts de clips musicaux
* Prototypes de courts métrages
* Installations artistiques

### Éducation et formation

* Ébauches de vidéos explicatives
* Concepts de matériel de formation
* Visualisation de concepts

## Utilisation de base

```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 aigle majestueux planant au-dessus de montagnes enneigées, éclairage cinématographique, 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)
```

## Génération avancée

```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="Timelapse d'une fleur en train d'éclore, macrophotographie, pétales détaillés",
    negative_prompt="flou, de faible qualité, déformé, laid",
    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)
```

## Exemples d'instructions

### Nature et paysages

```python
prompts = [
    "Aurore boréale dansant au-dessus d'un lac gelé, timelapse, éthérée",
    "Vagues de l'océan s'écrasant sur une plage de sable noir volcanique, ralenti",
    "Orage au-dessus d'un champ de blé, éclairage dramatique, 4K",
    "Fleurs de cerisier tombant dans un jardin japonais, printemps, paisible"
]
```

### Science-fiction et fantasy

```python
prompts = [
    "Vaisseau spatial décollant d'une ville futuriste, cinématographique, détaillé",
    "Dragon volant à travers les nuages au coucher du soleil, épique, fantasy",
    "Robot marchant dans des rues éclairées au néon, cyberpunk, pluie",
    "Portail magique s'ouvrant dans une forêt ancienne, lumières mystiques"
]
```

### Abstrait et artistique

```python
prompts = [
    "Gouttes d'encre se diffusant dans l'eau, macro, coloré, abstrait",
    "Formes géométriques se métamorphosant et se transformant, motion design",
    "Peinture lumineuse dans l'obscurité, effet de longue exposition, vibrante"
]
```

## Génération par lots

```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 = [
    "Récif corallien sous-marin avec des poissons colorés nageant",
    "Timelapse du trafic urbain de nuit, traînées lumineuses",
    "Papillon émergeant de son cocon, documentaire nature"
]

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

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

## Interface 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="Invite", lines=3),
        gr.Textbox(label="Invite négative", value="flou, de faible qualité"),
        gr.Slider(16, 60, value=45, step=1, label="Images"),
        gr.Slider(20, 100, value=50, step=5, label="Étapes"),
        gr.Slider(3, 12, value=7, step=0.5, label="Guidage"),
        gr.Number(value=-1, label="Graine")
    ],
    outputs=gr.Video(label="Vidéo générée"),
    title="Hunyuan Video - Texte vers vidéo sur CLORE.AI"
)

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

## Performances

| Résolution | Images | GPU        | Temps   |
| ---------- | ------ | ---------- | ------- |
| 544x960    | 45     | RTX 4090   | \~5 min |
| 544x960    | 45     | A100 40 Go | \~3 min |
| 544x960    | 45     | A100 80 Go | \~2 min |
| 720x1280   | 45     | A100 80 Go | \~4 min |

## Problèmes courants et solutions

### Mémoire insuffisante

**Problème :** Mémoire CUDA insuffisante sur un GPU de 24 Go

**Solutions :**

```python

# Activer toutes les optimisations mémoire
pipe.enable_model_cpu_offload()
pipe.enable_sequential_cpu_offload()  # Plus agressif
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

# Réduire le nombre d'images et la résolution
video = pipe(prompt, num_frames=24, height=480, width=720).frames[0]
```

### Génération lente

**Problème :** La génération prend trop de temps

**Solutions :**

* Réduisez `num_inference_steps` (30-40 donne encore de bons résultats)
* Réduisez `num_frames` (24 images = 1,6 s à 15 ips)
* Utilisez un GPU A100 pour un traitement plus rapide
* Assurez-vous de disposer d'un stockage NVMe pour le chargement du modèle

### Qualité vidéo médiocre

**Problème :** Mouvement flou ou incohérent

**Solutions :**

* Augmentez `num_inference_steps` à 75-100
* Ajuster `guidance_scale` (6-8 fonctionne le mieux)
* Rédigez des invites plus détaillées
* Ajoutez des invites négatives pour éviter les problèmes

### Artefacts vidéo

**Problème :** Scintillement ou incohérences temporelles

**Solutions :**

* Utilisez une graine cohérente pour la reproductibilité
* Évitez les invites avec des mouvements rapides
* Post-traitez avec une stabilisation vidéo

## Dépannage

{% hint style="danger" %}
**Mémoire insuffisante**
{% endhint %}

* Hunyuan nécessite au minimum 24 Go de VRAM
* Utilisez une A100 de 40 Go/80 Go pour de meilleurs résultats
* Réduisez la durée/résolution de la vidéo

### Échec de la génération vidéo

* Vérifiez que tous les fichiers du modèle ont été téléchargés correctement
* Assurez-vous de disposer de suffisamment d'espace disque (100 Go+)
* Vérifiez la compatibilité de CUDA et de PyTorch

### Mauvaise qualité vidéo

* Augmentez le nombre d'étapes d'inférence
* Utilisez des invites plus descriptives
* Vérifiez que la résolution d'entrée correspond à celle attendue

### Génération lente

* La génération vidéo est très gourmande en calcul
* Utilisez une A100/H100 pour des résultats plus rapides
* Envisagez d'abord des clips plus courts

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (en 2024) :

| GPU        | Tarif horaire | Tarif journalier | Session de 4 heures |
| ---------- | ------------- | ---------------- | ------------------- |
| 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 40 Go | \~$0.17       | \~$4.00          | \~$0.70             |
| A100 80 Go | \~$0.25       | \~$6.00          | \~$1.00             |

*Les prix varient selon le fournisseur et la demande. Vérifiez* [*la place de marché CLORE.AI*](https://clore.ai/marketplace) *les tarifs actuels.*

**Économisez de l'argent :**

* Utilisez le **Spot** marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane \~13 % de remise), les autres s'alignent dessus
* Payez avec **CLORE** jetons
* Comparez les prix entre différents fournisseurs

## Étapes suivantes

* CogVideoX - Alternative T2V
* Wan2.1 Video - Une autre option T2V
* AnimateDiff - Animation d'images


---

# 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-fr/generation-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.