腾讯开源视频生成模型，小参数轻量化，消费显卡可玩，将顶尖视频生成能力带给了每一位开发者

腾讯混元刚刚开源了视频生成模型，HunyuanVideo 1.5。

8.3B参数，轻量化设计，消费级显卡兼容，将顶尖视频生成能力真正带给了每一位开发者。

这款模型是一次对视频生成门槛的重新定义，它采用统一的Diffusion Transformer架构，结合3D因果VAE（变分自编码器）与创新的SSTA（选择性滑动分块注意力）机制，在大幅压缩计算开销的同时实现了对光影、构图及物理规律的极致掌控。

创新架构设计最大化硬件效能

HunyuanVideo 1.5的核心在于其对性能与效率的极致平衡。

它并没有单纯追求参数量的无限堆叠，而是选择了一条更为精巧的路线。

模型采用了统一的Diffusion Transformer架构，这种架构在处理序列数据时展现出了卓越的稳定性。

为了在有限的计算资源下释放最大潜能，研发团队引入了8.3B参数的轻量化设计。

这并非简单的“减配”，而是配合了专门设计的3D因果VAE编解码器。

该编解码器实现了空间维度16倍、时间维度4倍的高效压缩。

这种高倍率的压缩意味着模型在处理视频数据时，吞吐量更大，显存占用更低。

更为关键的技术突破在于SSTA机制。

传统的视频生成模型往往在长序列生成中面临计算量爆炸的问题。

SSTA通过动态剪枝冗余的时空数据，让模型只关注画面中真正变化和重要的部分。

这就像人类的视觉注意力一样，自动过滤掉背景中的无效信息，从而显著降低了计算开销。

配合推理加速工程中集成的模型蒸馏与Cache优化技术，这一组合拳让推理效率大幅提升。

开发者不再需要昂贵的H100集群，仅凭消费级显卡即可流畅运行，真正实现了高性能视频生成的普惠。

潜空间超分系统重塑画质细节

画质是视频生成模型的生命线。

HunyuanVideo 1.5引入了一套完整的视频超分增强系统，将画质提升到了新的高度。

这套系统并非在像素层面进行简单的插值放大，那样往往会带来模糊和网格伪影。

它选择在潜空间（Latent Space）中工作，通过训练专用的上采样模块来重构画面。

潜空间的操作让模型能够理解图像的语义结构，从而在增强画面锐度与质感的同时，智能修复可能产生的畸变。

结果是显而易见的：低分辨率的生成结果被高效上采样至1080p高清视频。

配合全链路训练优化策略，模型从预训练到后训练全流程都得到了精细打磨。

Moun优化器的加入加速了模型的收敛过程，确保了运动连贯性与美学质量的同步提升。

这种对细节的执着，使得生成的视频在视觉上达到了专业级内容的效果。

无论是复古胶片的颗粒感，还是现代工业设计的冷冽质感，都能得到精准还原。

Prompt: 俯视角度，一位有着深色，略带凌乱的长卷发的年轻中国女性，佩戴着闪耀的珍珠项链和圆形金色耳环，她凌乱的头发被风吹散，她微微抬头，望向天空，神情十分哀伤，眼中含着泪水。嘴唇涂着红色口红。背景是带有华丽红色花纹的图案。画面呈现复古电影风格，色调低饱和，带着轻微柔焦，烘托情绪氛围，质感仿佛20世纪90年代的经典胶片风格，营造出怀旧且富有戏剧性的感觉。

Prompt: 一座空旷的现代阁楼里，有一张铺展在地板中央的建筑蓝图。忽然间，图纸上的线条泛起微光，仿佛被某种无形的力量唤醒。紧接着，那些发光的线条开始向上延伸，从平面中挣脱，勾勒出立体的轮廓——就像在空中进行一场无声的3D打印。随后，奇迹在加速发生：极简的橡木办公桌、优雅的伊姆斯风格皮质椅、高挑的工业风金属书架，还有几盏爱迪生灯泡，以光纹为骨架迅速“生长”出来。转瞬间，线条被真实的材质填充——木材的温润、皮革的质感、金属的冷静，都在眨眼间完整呈现。最终，所有家具稳固落地，蓝图的光芒悄然褪去。一个完整的办公空间，就这样从二维的图纸中诞生。

双路编码实现指令精准遵循

理解用户意图是生成模型好用的前提。

HunyuanVideo 1.5在理解层面结合了增强型多模态大模型与专用文本编码器。

这种双路设计确保了模型既能把握宏大的场景描述，又能精准捕捉细微的指令要求。

它原生支持中英文输入，能够解析极具复杂度的语义信息。

无论是光影的变化、构图的调整，还是复杂的连续运镜指令，都能被自动映射为视频生成的参数。

这种能力在处理文字渲染时表现得尤为突出。

文字生成一直是视频模型的弱项，往往出现乱码或形变。

HunyuanVideo 1.5强化了视频中文本元素的生成准确性，支持对指定文字进行高保真渲染。

不仅文字清晰可辨，还能实现多种特效与背景的自然融合，如霓虹灯管的点亮过程。

同时，模型支持推拉、摇移、环绕等多种电影级运镜手法。

创作者可以通过文字指令轻松控制镜头的运动轨迹，实现平滑的视角切换与节奏控制。

这种对指令的强响应能力，极大地增强了视频的叙事张力。

Prompt: 赛博朋克风格的夜晚街角，一个巨大的招牌上， "Hunyuan Video 1.5" 的霓虹灯管轮廓已经安装好。镜头推进，霓虹灯从“H”开始，伴随着‘滋滋’的电流声，每个字母依次亮起粉紫色的光芒，直到全部点亮，照亮了潮湿的街道。赛博朋克，城市美学

Prompt: 圣诞节的家中，小女孩靠着妈妈听妈妈读书，背景是下着雪的窗外，镜头缓慢下移，一只可爱的长毛小白猫戴着圣诞帽趴在温暖的地毯上

物理规律遵循与多风格兼容

真实的物理反馈是视频沉浸感的来源。

HunyuanVideo 1.5在生成人物与物体运动时，严格遵循物理规律。

它能够精准生成柔性自然现象（如头发随风飘动）和刚性物理效果（如物体破碎）。

生成的运动画面流畅自然，没有常见的时空畸变。

即便是快速镜头或复杂的动态场景，模型也能保持结构的一致性。

Prompt: The video captures a figure skater performing a Biellmann spin on ice. The subject is a female skater in a glittering costume. Initially, she spins on one leg. Then, she reaches back and pulls her free leg up. Next, she spins rapidly, becoming a blur of motion, with ice shavings spraying from her skate blade. The background is an ice rink with blurred advertising boards. The camera circles around the subject to capture the spin from all angles. The lighting is spotlit, creating lens flares and sparkles on her costume. The overall video presents a graceful artistic sports style.

Prompt: An intact soda can is slowly crushed by a hand.

Prompt: Handheld lens shooting, the camera focuses on the wall clock hanging on the green-toned wall, shaking slightly. The second hand sweeps steadily across the clock face, and the shadow of the clock cast on the wall shifts subtly with the movement of the lens.

同时，模型展现了极强的风格包容性。

无论是写实风格、动漫风格，还是粘土动画等特殊艺术风格，HunyuanVideo 1.5都能轻松驾驭。

更重要的是，在图生视频任务中，它展现了高水平的图视一致性。

模型能严格保持输入图像的色调、细节与风格，确保人物外形在运动中保持稳定。

新增的视频元素不会破坏场景的整体逻辑，实现了从静态图像到动态影像的完美过渡。

Prompt: A little girl, carrying a colorful handbag, skips through the garden. The video uses claymation style.

Prompt: 女孩站起身，转身向屋内走去。镜头拉远。

开源、轻量、高性能，HunyuanVideo 1.5不仅大幅提升了视频生成的质量，更引入了对物理规律、光影美学及镜头语言的深度理解。

混元视频1.5提示词指南

本指南将指导您掌握从基础的文生视频、图生视频，到进阶的风格、氛围、运镜和光线控制等技巧。

混元视频1.5的基础功能涵盖了“文生视频”与“图生视频”两大核心板块，这是所有创作的基石。

文生视频

为了获得更精确的画面控制，强烈建议您摒弃口语化的随意描述，转而使用结构化的提示词。

核心公式：提示词 = 主体 + 运动 + 场景 + [景别] + [运镜] + [光线] + [风格] + [氛围]。

括号 [ ] 中的项为可选项，可自由组合。

基础用法：仅需描述“主体 + 运动 + 场景”。

进阶用法：自由添加更多控制标签，例如“主体 + 运动 + 场景 + 风格 + 运镜 + 光线”。

图生视频

视频的第一帧将严格基于您上传的图片，而后续的帧内容则按照文字指令进行演变和生成。

核心公式：词 = 主体动态变化 + 场景动态变化 + [运镜]。

在图生视频中，提示词的重点在于描述变化——即主体如何动，场景如何变。

示例提示词：

镜头跟随小狗,它在草地上向前奔跑,四肢交替迈动,尾巴高高翘起并左右摇摆。草叶被它的爪子带起,微微晃动。小狗的耳朵随着奔跑的节奏上下抖动,舌头从张开的嘴中伸出,轻轻喘息。背景中的草地向后快速移动,远处的天空呈现淡蓝色,几缕云朵缓缓飘过。

画面中的少女缓缓抬头,目光投向画面右上方。镜头跟随她的视线方向移动,逐渐显露出一扇洛可可风格的窗户,窗框饰有卷曲雕花与金色线条,窗玻璃反射出室内微光。少女的头巾与耳环在移动中轻微晃动,衣领边缘随动作产生细微褶皱。

进阶控制

想要生成具有电影质感的高级视频，需要掌握风格、光线、运镜及文字渲染等进阶控制技巧。

1. 风格控制

通过添加特定的风格关键词，您可以从整体上定义视频的视觉调性，无论是追求极致真实的电影感，还是充满想象力的艺术风格。

写实/电影风格：这类风格侧重于真实的光影还原和细节描写。

一个疲惫的中年亚洲男人，穿着一件起了毛球的灰色毛衣，他的眼角有细微的皱纹，表情担忧地看着窗外，电影灯光，写实主义风格。

动画/绘画风格：这类风格允许您探索非写实的视觉表达，如低多边形（Low-Poly）或中国水墨画。

几座险峻的远山，在云雾中若隐若现，一叶扁舟在宽阔的江面上缓缓划过，留下淡淡的涟漪，采用大远景，相机向左缓慢平移，画面以浓淡不一的墨色和大量的留白构成，整体为动态中国水墨画写意风格，营造出宁静、孤高且意境悠远的氛围。

2. 光线控制

光是氛围的灵魂。 学会描述光，就能控制视频的情绪。

常用光线描述技巧：

在提示词中，可以从以下五个维度对光线进行定义：

• 照明风格：例如“柔和”、“硬光”、“霓虹灯光”。
• 光线方向：例如“自上而下”、“侧光” 。
• 光线质量：例如“柔和”、“刺眼”、“聚光灯”。
• 阴影细节：例如“深阴影”、“柔和渐变”、“高对比度”。
• 色温：例如“温暖的黄金时段”、“凉爽的日光”。
• 反射与轮廓：描述光在水面、玻璃上的反射，或利用逆光创造剪影效果。

3. 运镜控制

通过在提示词中加入标准的运镜关键词，可以显著提升画面的电影感。请参考以下标准术语。

参考运镜词库：

运镜提示词示例：

一个孤独的牛仔枪手,一动不动地站着,手悬的左轮手枪上,身处一座尘土飞扬的西部小镇分空无一人的主街,采用眼部大特写,相机角镜头,光线是正午刺眼的顶光,在他的帽子锐利深邃的阴影,整体为意大利西部片风格紧张和对峙的氛围。

4. 视频内中英双语文字渲染

HunyuanVideo 1.5 具备在视频画面中生成清晰、高质感文字的能力，无论是中文还是英文。

使用方法：在提示词中，使用引号将您希望生成的文字包围起来。

• 中文提示词：请使用中文双引号 “”。
• 英文提示词：请使用英文双引号 ""。

文字渲染案例：

A single drop of ink blooms on traditional Chinese Xuan paper, forming a majestic landscape painting, which then fluidly reorganizes into the calligraphic text "Hunyuan Video 1.5".

The scene opens on a flat, off-white sheet of traditional Chinese Xuan paper, its subtle, fibrous texture visible under soft, even top-down lighting. Initially, a single drop of concentrated, jet-black ink falls into a clear pool of water at the center of the paper. It immediately blossoms outward with stunning speed, the ink diffusing in elegant, smoke-like plumes. The bleeding edges create a beautiful gradient of tones, from deep black to pale gray, a classic feature of ink wash painting. Next, as the ink spreads, it miraculously forms the silhouette of a majestic Chinese landscape. Tall, layered mountain peaks take shape, shrouded in ethereal mist created by the paper's negative space. In the lower portion of the ink wash, the simple shape of a solitary boat appears on the water's surface. Then, the static image comes to life; the ink composing the mountains and boat dissolves into flowing, liquid streams that gracefully swirl and migrate across the paper towards the upper center. Finally, these streams converge and solidify, artfully forming the characters "Hunyuan Video 1.5" in a refined, calligraphic brushstroke style.

5. 更多进阶控制和说明

为了让视频功能响应更准确、更有动感，推荐您遵循以下原则优化提示词。

基础设置：

• 支持语言：支持中文和英文输入。
• 视频尺寸：支持 16:9（横屏）、4:3、1:1（方形）、3:4、9:16（竖屏）多种画幅比例，请在生成前设置。
• 保持简洁：尽量使用简单、直接的词汇和语法结构。

提示词组件详解：

提升响应准确度的四大规则：

• 动态化与时序性
• 规则：将画面描述为一个有时间顺序的过程，使用连接词明确步骤。
• 推荐句式：先......然后接着......同时......最后......。
• 示范：女孩先整理一下头发，然后转身走向门口，最后停在门前回头看向镜头。
• 客观描述细节
• 规则：减少使用抽象的情绪词，将其转化为具体的“动作细节”。
• 公式：主体 + 动作 + 小细节。
• 示范：男孩嘴角露出微笑，眼睛微微弯起（而非仅仅说“男孩很开心”）。
• 空间与方位的精确化
• 规则：用简单的方位词明确“谁在哪里”以及“往哪里动”。
• 方位词库：画面左侧/右侧、上方/下方、中间、前景/背景。
• 示范：一只手从画面右侧伸出，摸了摸黑色衣服上的吊牌，然后从画面下方离开画面。
• 指代关系清晰
• 规则：当画面有多个角色时（包括图生视频的输入图像），建议用属性或位置区分个体，避免混淆。
• 示范：黑猫把手里的炸弹递给灰猫，灰猫接过炸弹后转身向画面右侧跑去。

更多创意用法

HunyuanVideo 1.5 的强大之处不仅在于生成，更在于其深度语义理解、物理规律模拟及跨次元融合能力。

• 强指令响应

模型原生支持中英文长文本输入，能够解析复杂的语义（如光影、构图等），并自动映射至视频参数。支持连续运镜、文字渲染、动作组合及多样指令生成。

• 流畅运动生成

模型生成的人物与物体运动流畅自然，无畸变，且涵盖快速镜头与动态场景。

• 物理规律遵循

HunyuanVideo 1.5 能够精准生成柔性自然现象和刚性物理效果，赋予场景沉浸式的真实感与生命力。

In a sleek museum gallery, a woman receives a glass of wine poured directly from an animated oil painting.

A sophisticated woman with dark hair tied back elegantly stands in the mid-ground. She is wearing a simple, black silk sleeveless dress and holds a clear, crystal wine glass in her right hand. She is positioned before a large, baroque-style oil painting in an ornate, gilded frame. Inside the painting, an aristocratic man with a mustache, dressed in a dark velvet doublet with a white lace collar, is depicted. His form is defined by visible, impasto oil brushstrokes. Initially, the woman watches the painting with calm poise. Then, the painted man's arm slowly animates, his painted texture retained as he lifts a dark bottle. Next, a photorealistic stream of red wine emerges directly from the flat canvas surface, arcing through the air and splashing gently into the real crystal glass she holds. She remains perfectly still, accepting the impossible pour with a subtle, knowing smile.

The setting is a modern art gallery with high white walls and polished dark concrete floors that reflect the ambient light. Focused track lighting from the high ceiling casts a warm, dramatic spotlight on the woman and the painting, creating soft shadows. In the background, two other gallery patrons, a man and a woman in stylish, modern attire, stroll slowly from right to left, their figures slightly blurred by a shallow depth of field, moving naturally through the hall.

The shot is at an eye-level angle with the woman. The camera remains static, capturing the surreal event in a steady medium shot. The lighting is high-contrast and dramatic, reminiscent of a cinematic photography realistic style, using soft side lighting to accentuate the woman's features and the texture of the painting. The mood is surreal, elegant, and mysterious. The overall video presents a cinematic photography realistic style.

• 跨次元生成

支持将虚拟世界的角色和元素（如卡通人物、特效）无缝地引入并融入真实场景。模型能够精准解析复杂的语义、光影和材质纹理，确保虚拟元素在现实环境中具有沉浸式的真实感。

镜头静止不动，随后缓缓向前推进，聚焦于前景中一只真实的人手与背景电脑屏幕上的卡通人物水冰月之间的互动场景。屏幕中的水冰月保持施法准备姿势，双眼注视前方，嘴角微微上扬。接着，水冰月缓缓伸出右手，从屏幕平面中探出，手臂跨越虚拟与现实的边界，进入前景空间。她的手在真实人手的掌心上方悬停，手部在人手上投射出清晰的倒影。随后，水冰月的手指轻触人手掌心，接触瞬间，人手皮肤表面浮现出一道银色星光印记，印记随即开始闪烁，频率逐渐减缓，最终完全消失。虚拟人物的手与真实人手在空间位置与视觉层次上无缝衔接，呈现浑然一体的视觉效果。

• 动作逻辑与分解

通过描述主体的动作分解状态以及使用特定的视觉词汇来生成复杂动作。

核心公式：提示词 = 场景设定 + 时序动作分解 + 关键细节。

Static overhead shot of a printed photo of a tree trunk lying on a wooden table.

Action Sequence:

1、A real human hand enters, places a single pinecone on the paper next to the tree hole, and exits immediately.

2、A realistic 3D squirrel emerges from the 2D hole in the photo. The squirrel comes out empty-handed.

3、The squirrel sniffs the pinecone sitting on the paper, looks curious, blinks, and tilts its head.

4、The squirrel reaches out, grabs that specific pinecone from the table.

Key details: Seamless interaction between real world and photo, surreal VFX, squirrel paws are empty initially, heavy weight perception on the pinecone.

参考资料：

https://hunyuan.tencent.com/video/zh

https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5

https://doc.weixin.qq.com/doc/w3_AXcAcwZSAGgCNhei2zzNUS8O4mKop

https://huggingface.co/tencent/HunyuanVideo-1.5

END