Tencent-Hunyuan/HunyuanVideo-1.5

HunyuanVideo-1.5: A leading lightweight video generation model

What it solves

HunyuanVideo-1.5 是一个轻量级的视频生成模型，旨在提供高质量的视频合成，同时降低开发者和创作者的计算门槛。它能够在消费级 GPU 上生成专业级视频，解决了在不需要庞大工业硬件的情况下，高效、高分辨率视频创作的需求。

How it works

项目使用 83 亿参数的 Diffusion Transformer（DiT）结合 3D 因果 VAE，实现高效的空间和时间压缩。它采用 Selective and Sliding Tile Attention（SSTA）机制来裁剪冗余数据并加速推理。为了进一步提升质量，还加入了视频超分辨率（VSR）网络，将输出放大至 1080p。模型支持文本到视频（T2V）和图像到视频（I2V）生成，并可通过 step‑distillation 进一步优化以加快生成速度。

Who it’s for

该模型面向开发者、AI 研究者和数字创作者，让他们能够在最低 14GB GPU 内存的可及硬件上生成高质量视频，并可通过 ComfyUI 或 Diffusers 等工具将视频生成集成到自己的应用中。

Highlights

  • Consumer-Grade Accessibility: 在 NVIDIA GPU 上只需 14GB VRAM 即可运行，支持模型卸载。
  • High-Performance Architecture: 使用 SSTA 在 720p 视频合成上实现显著加速。
  • Flexible Generation: 支持文本到视频和图像到视频的多分辨率工作流。
  • Advanced Optimizations: 包含 FP8 GEMM、缓存推理（DeepCache、TeaCache、TaylorCache）以及 step‑distilled 模型以快速生成。
  • Super-Resolution: 内置少步网络将视频提升至 1080p，提升清晰度和纹理。