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.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via la place de marché CLORE.AI.

Louer sur CLORE.AI

1. Visitez la place de marché CLORE.AI

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

• GitHub : Tencent/HunyuanVideo

• Article : Article HunyuanVideo

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 :

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

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

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

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

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

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

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

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

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 :

# 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

Mémoire insuffisante

• 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 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