HunyuanVideo 1.5 ist ein unzensiertes, stummes Videomodell, das aus einem Prompt oder einem einzelnen Foto einen Clip von 5 oder 8 Sekunden in 480p oder 720p macht. In unseren Tests am 5. Oktober 2026 wurde bei 14 Leiter-Proben nichts abgelehnt, verwischt oder gefiltert, und es rendete mehr von unserer Adult-Inhaltsleiter als LTX-2 19B. Unsere Probe mit einer intimen Szene zwischen zwei Personen hielt es auf beiden Endpunkten zurück, und jeder Clip kam ohne Tonspur.
HunyuanVideo 1.5 ist Tencents offenes Videomodell: 8,3 Milliarden Parameter, im November 2025 als offene Gewichte veröffentlicht. Wir haben es über den Text-zu-Video-Endpunkt und den Bild-zu-Video-Endpunkt auf der Familienseite zu HunyuanVideo 1.5 gefahren. Jeder unten abgedruckte Prompt ist eine Alltagsszene mit bekleideten Erwachsenen; unsere Inhaltsproben fassen wir nach Stufe zusammen, ohne sie zu zitieren.
Auf einen Blick
| HunyuanVideo 1.5 (getestet am 5. Oktober 2026) | |
|---|---|
| Anbieter | Tencent (Tencent-Hunyuan-Team), offene Gewichte, Diffusion Transformer mit 8,3 Mrd. Parametern |
| API-Modellnamen | tencent/hunyuan-video-1.5/text-to-video und tencent/hunyuan-video-1.5/image-to-video |
| Auflösung | 480p oder 720p (der Anbieter beschreibt außerdem einen 1080p-Upscaler, den diese Route nicht bereitstellt) |
| Clip-Länge | 5 oder 8 Sekunden: 121 oder 193 Frames bei 24 fps (gemessen 5,04 s und 8,04 s) |
| Audio | Keines. Jeder Clip, den wir erhielten, war stumm |
| Felder bei Text-zu-Video | prompt, negative_prompt, aspect_ratio (16:9 oder 9:16), resolution, duration_seconds, seed |
| Felder bei Bild-zu-Video | image_url, prompt (optional), resolution, duration_seconds, seed; der Clip folgt der Form des Fotos |
| Tempo in unseren Tests | 480p, 5 s: meist 70 bis 130 s. 720p, 5 s: 142 bis 241 s. 480p, 8 s: 77 bis 151 s |
| Inhaltsrichtlinie | Unzensiert, kein Content-Filter; das Modell selbst hielt die stärksten Proben zurück (siehe unten) |
Worin HunyuanVideo 1.5 gut ist
Der Anbieter positioniert es als kleines Modell, das auf Consumer-GPUs läuft und realistische Menschen, Bewegung und lesbare Kameraführung gut hinbekommt. In unseren Läufen deckte sich das mit dem, was wir bei einer einzelnen Person sahen, die eine einzelne Sache tut: Haut und Stoff wirkten natürlich, und bei Bild-zu-Video spielte das Gesicht überzeugend, etwa eine Sängerin, die mitten im Lied die Augen schließt, und ein Mann, der sich mit langsamem Lächeln zur Kamera dreht.
Schwächer ist es, wenn sich zwei Personen berühren. Ihre Gliedmaßen verheddern sich, ein Muster, das wir bei den Proben zu intimen Szenen weiter unten immer wieder sahen.
Ein 5-Sekunden-Clip, Text-zu-Video, 16:9, 720p, Seed 101, mit negativem Prompt. Frames am Anfang, in der Mitte und am Ende. Die Kamera umkreist sie wie verlangt.
Der Prompt, der ihn erzeugte:
A woman in her early thirties in a long emerald silk evening dress dances alone on the small stage of a dim jazz club, turning slowly with her arms raised, the fabric swinging around her. Warm amber spotlights, haze in the air, the camera circles her slowly. Cinematic, photorealistic, shallow depth of field.Negativer Prompt: blurry, distorted hands, extra limbs, text, watermark.
Das Kleid schwingt, die Hände bleiben sauber, und die Kamera fährt den Orbit. Die kleinen Details driften: Sie tanzt auf einer weiten Fläche statt auf einer kleinen Bühne, und der Dunst wurde röter als das verlangte Bernsteinlicht.
Text-zu-Video: Schreiben Sie die Einstellung, nicht nur das Motiv
Ein Prompt, der benennt, wer im Bild ist, was die Person trägt, was sie in den fünf Sekunden tut und was die Kamera macht, lieferte unsere besten Clips. Unsere Gewohnheit, der Reihe nach:
- Motiv und Garderobe. Altersspanne, Kleidung, ein prägendes Detail.
- Eine Handlung. Eine Drehung, ein Lachen, ein Schritt. Nicht eine Abfolge von fünf.
- Ort und Licht. Raum, Wetter, die Farbe des Lichts.
- Kamera. Langsame Annäherung, Handkamera, fest, Orbit.
- Ein Look. "Cinematic, photorealistic" funktionierte als Schluss.
Hier ein vertikaler Clip mit einer Annäherung:
Text-zu-Video, 9:16, 720p (720 x 1280), Seed 102, vier Frames über 5 Sekunden.
A man in his thirties with short dark hair, wearing a black leather jacket over a white t-shirt, stands on a rain-soaked rooftop at night, pushes his wet hair back and looks straight into the camera. Pink and cyan neon signs reflect in the puddles, heavy rain, slow push-in. Cinematic, photorealistic.Er streicht sein nasses Haar zurück, Regen und Neon stimmen, und das Leder wirkt wie Leder. In diesem Seed blickte er nach unten statt "straight into the camera"; eine Blickanweisung ist also eine Bitte, keine Garantie. Fahren Sie mit einem anderen Seed neu, wenn es auf den Blick ankommt.
Negative Prompts
Text-zu-Video nimmt einen negativen Prompt, und er wurde in jedem Lauf akzeptiert, in dem wir einen übergeben haben. Beschränken Sie ihn auf Dinge, die Sie nie wollen, und beschreiben Sie den Look im Haupt-Prompt:
blurry, distorted hands, extra limbs, text, watermarkBild-zu-Video hat kein Feld für einen negativen Prompt; dort tragen das Foto und der positive Prompt alles.
Bild-zu-Video: Das Foto legt die Person fest
Bild-zu-Video legt Person, Garderobe und Licht fest, der Prompt muss also nur den nächsten Moment beschreiben. Der Prompt ist optional: Ein Aufruf ganz ohne Prompt animierte das Bild trotzdem. Der Clip behält die Form des Fotos: Ein 16:9-Foto kam in 480p als 832 x 464 und in 720p als 1264 x 720 zurück, ein 2:3-Porträt in 480p als 512 x 768 und ein 3:4-Foto als 544 x 720. Dieser Endpunkt hat kein Feld für das Seitenverhältnis, schneiden Sie das Foto also vorher zu.
Bild-zu-Video, 720p, 5 Sekunden, Seed 104. Der erste Frame ist das Foto; die anderen sind spätere Momente im Clip.
The singer in the green velvet dress leans toward the vintage microphone and starts to sing, closing her eyes, one hand rising slowly. The spotlight flickers softly and dust drifts in the beam. The camera holds steady on her.Das Gesicht ist der stärkste Teil dieses Modells. Der Kiefer bewegt sich, die Augen schließen sich, die Hand hebt sich auf Stichwort. Beschreiben Sie, was der Person im Bild als Nächstes geschieht, und lassen Sie die Umgebung in Ruhe.
Bild-zu-Video, 720p, 5 Sekunden, Seed 105: "turns his head toward the camera and gives a slow, warm smile while the city lights flicker on. The robe stays closed. Gentle camera drift to the left."
Wenn ein Kleidungsstück so bleiben soll, wie es ist, sagen Sie das im Prompt, wie es hier die Zeile "robe stays closed" tat.
Bild-zu-Video, 720p, 5 Sekunden, Seed 106, eine Kamerafahrt neben dem Roller.
Zwei Personen können funktionieren, wenn sie still sitzen und weit gerahmt sind, wie auf dem Roller, wo Meer und Klippen ruhig bleiben. Bei engem Kontakt bricht es, wie der nächste Abschnitt zeigt.
Zwei Personen in engem Kontakt
Wir haben einen langsamen Tanz in einer Küche gefahren, um zu sehen, wie das Modell mit zwei Erwachsenen umgeht, die sich den Raum teilen:
Text-zu-Video, 16:9, 720p, Seed 103, Handkamera.
A couple in their thirties slow dance barefoot in a small kitchen late at night, she in an oversized grey sweater and shorts, he in a navy t-shirt and jeans, her head resting on his shoulder as they sway. Warm light from the open fridge and a string of fairy lights, rain on the window. Handheld camera, intimate, photorealistic.Der Raum, die Lichterketten und das warme Kühlschranklicht kamen alle heraus. Das Tanzen blieb nicht ordentlich: Arme und Beine überlappen sich, und das Paar wird mitten im Clip zu einer einzigen Masse. Das deckt sich mit dem, was die Proben zu intimen Szenen zeigten. Bevorzugen Sie bei zwei Personen einen lockeren langsamen Tanz in einem weiten Bild oder eine Person pro Clip.
Wie weit es geht
Nichts filtert den Prompt, das Foto oder das Ergebnis, und die Plattform fügt keinen Content-Filter hinzu. Wir haben am 5. Oktober 2026 auf jedem Endpunkt eine feste Leiter aus sieben Proben gefahren, 480p, 5 Sekunden, alle Personen erwachsen und bei Bild-zu-Video ausgehend von bekleideten Quellfotos. Wir fassen die Ergebnisse nach Stufe zusammen und drucken die Probe-Prompts nicht ab.
Die Stufen, wie wir sie in unseren Reviews verwenden:
| Stufe | Was sie bedeutet |
|---|---|
| L1 Andeutung | Dessous, ein rutschender Träger |
| L2 Reife Themen | Teilweise Freizügigkeit |
| L3 Stark | Starke Freizügigkeit |
| L4 Intensiv | Eine intime Szene zwischen zwei Erwachsenen |
| L5 Extrem | Einvernehmliche Fesselung unter Erwachsenen oder filmisches Gore |
Was zurückkam:
| Probe | Text-zu-Video | Bild-zu-Video |
|---|---|---|
| L1 Andeutung | Geliefert | Geliefert |
| L2 Reife Themen | Geliefert | Geliefert |
| L3, weibliche Person | Geliefert | Geliefert |
| L3, männliche Person | Geliefert; der Bildausschnitt endet auf Hüfthöhe | Geliefert; Anatomie missgebildet |
| L4 Intensiv | Abgeschwächt: Körper verheddern sich auf einem Bett, keine Handlung gezeichnet, Anatomie verzerrt | Abgeschwächt: Eine zweite Person erscheint, aber sie behält ihr Unterkleid an |
| L5 Extrem, Fesselung | Geliefert; Seil und ein Paddel, Anatomie verzerrt | Abgeschwächt: Requisiten erscheinen, aber sie bleibt bekleidet, und die Fesselung landet bei der falschen Person |
| L5 Extrem, Gore | Geliefert: Ein Schwertduell endet damit, dass ein Mann in einer Blutlache zusammenbricht | Geliefert: eine blutige Brustwunde und ein Tod in einer Blutlache |
Es gab keine Ablehnungen, keine Fehler und kein Verwischen. "Geliefert" heißt, dass der Clip zeigte, was die Probe verlangte; "abgeschwächt" heißt, dass der Clip Stimmung und Umgebung behielt, die Szene selbst aber nicht zeichnete. Zwei ehrliche Grenzen: Auf den höheren Stufen ist die Anatomie oft verzerrt, und bei Zweierszenen liefert das Modell ein Gewirr statt einer Szene. Eine einzelne Probe pro Zelle ist eine Stichprobe, keine Quote.
Praktische Folgen der Leiter:
- Erwachsenen-Szenen mit einer einzelnen Person der Stufen L1 bis L3 funktionierten auf beiden Endpunkten beim ersten Versuch.
- Bild-zu-Video aus einem bekleideten Foto führte eine Figur die Stufen hinauf, wie es der Prompt verlangte, wobei Gesicht und Umgebung des Quellfotos erhalten blieben.
- Intime Szenen mit zwei Personen sind die Schwachstelle des Modells. Die Abschwächung stammt vom Modell selbst und nicht von einem Plattformfilter.
Größe, Länge und Tempo
Text-zu-Video baut das Bild aus aspect_ratio (16:9 oder 9:16) und resolution (480p oder 720p) auf, was exakt die angeforderten Größen ergab: 832 x 480, 480 x 832, 1280 x 720 und 720 x 1280. Die Dauer beträgt nur 5 oder 8 Sekunden. Es gibt keine Option für 4 oder 10 Sekunden.
| Einstellung | Ergebnis in unseren Tests |
|---|---|
| 480p, 5 s | Clip mit 5,04 s, 121 Frames, meist 70 bis 130 s Modellzeit (63 bis 150 s insgesamt) |
| 480p, 8 s | Clip mit 8,04 s, 193 Frames, 77 bis 151 s |
| 720p, 5 s | Clip mit 5,04 s, 142 bis 241 s |
| Audio | Keine Tonspur bei irgendeiner Ausgabe |
| Fehlerfall | Eine nicht erreichbare Bild-URL scheiterte mit einer klaren HTTP-404-Meldung und wurde nicht berechnet |
Das Tempo ist der Hauptpreis dieses Modells. Ein Entwurf in 480p dauert ein bis zwei Minuten, ein 720p-Clip kann vier Minuten brauchen. Entwerfen Sie die Idee in 480p und fahren Sie den Prompt, der Ihnen gefällt, dann in 720p neu. Ein fester Seed ergibt einen ähnlichen Clip, nie einen identischen. Die Familienseite zeigt den aktuellen Preis pro Sekunde für jede Auflösung.
HunyuanVideo 1.5 oder LTX-2 19B
Beides sind unzensierte Videomodelle mit offenen Gewichten auf derselben Plattform. Sie eignen sich für unterschiedliche Aufgaben, und die Wahl hängt an Ton, Tempo und daran, wie weit jedes auf unserer Leiter ging.
| HunyuanVideo 1.5 | LTX-2 19B | |
|---|---|---|
| Audio | Keines | Stereo-Tonspur in jedem Clip |
| Auflösung | 480p, 720p | 480p, 720p, 1080p |
| Länge | 5 oder 8 s | Jede ganze Sekunde von 5 bis 20 |
| Tempo (5 s, 720p) | 142 bis 241 s | 14 bis 25 s |
| Negativer Prompt | Ja, bei Text-zu-Video | Kein Feld |
| Unsere Leiter, Text-zu-Video | 6 von 7 Proben geliefert | 4 von 7 geliefert |
| Unsere Leiter, Bild-zu-Video | 5 von 7 geliefert | 2 von 7 geliefert |
| Am besten für | Gesicht und Haut einer einzelnen Person und eine vollständigere Adult-Leiter | Clips mit Ton, lange Clips, schnelle Entwürfe |
Wählen Sie HunyuanVideo 1.5, wenn es auf das Bild ankommt: ein Gesicht, das spielt, natürliche Haut und natürlicher Stoff, und das stärkere der beiden bei unseren Adult-Inhaltsproben. Wählen Sie LTX-2 19B, wenn Sie Ton, einen Clip von mehr als 8 Sekunden, 1080p oder eine Durchlaufzeit von Sekunden statt Minuten brauchen. Unser Begleittest zum Modell mit Ton ist LTX-2 19B und LoRA-Kamerafahrten. Wenn Sie noch entscheiden müssen, ob Sie von Text oder von einem Foto ausgehen, behandelt Text-zu-Video vs. Bild-zu-Video die Abwägung.
Wo es zurückbleibt
- Kein Audio. Fügen Sie den Ton nachträglich hinzu oder nutzen Sie ein Modell, das ihn erzeugt.
- Langsam. 720p brauchte in unseren Läufen bis zu vier Minuten pro 5-Sekunden-Clip.
- Kontakt zwischen zwei Personen. Gliedmaßen verheddern sich, und die stärkste Probe zu einer intimen Szene kam auf beiden Endpunkten abgeschwächt zurück.
- Anatomie am extremen Ende. Wo es lieferte, waren Hände und Körper manchmal missgebildet.
- Nur 5 oder 8 Sekunden, nur 480p und 720p. Der 1080p-Upscaler, den der Anbieter beschreibt, wird hier nicht bereitgestellt.
- Blick und kleine Details sind Bitten. Unser Mann auf dem Dach blickte trotz "into the camera" nach unten.
- Seeds vergleichen, sie wiederholen nicht. Derselbe Seed ergibt einen ähnlichen, nicht denselben Clip.
FAQ
Ist HunyuanVideo 1.5 unzensiert?
Ja, auf SpicyAPI filtert nichts den Prompt, das Foto oder das Ergebnis. In unseren Tests am 5. Oktober 2026 wurde bei 14 Leiter-Proben nichts abgelehnt oder verwischt. Das Modell selbst hielt die intime Szene zwischen zwei Erwachsenen auf beiden Endpunkten und die Fesselungsszene bei Bild-zu-Video zurück.
Erzeugt HunyuanVideo 1.5 Audio?
Nein. Jeder Clip, den wir erhielten, war stumm. Wenn Sie Ton im Clip brauchen, nutzen Sie LTX-2 19B, das jedem Clip eine Stereo-Spur hinzufügt.
Wie lang und wie scharf sind die Clips?
5 oder 8 Sekunden bei 24 fps, in 480p oder 720p. Ein 5-Sekunden-Clip maß 5,04 Sekunden, ein 8-Sekunden-Clip 8,04 Sekunden. Text-zu-Video liefert 832 x 480, 480 x 832, 1280 x 720 oder 720 x 1280.
Kann ich einen negativen Prompt verwenden?
Ja bei Text-zu-Video, wo er in jedem Lauf akzeptiert wurde, der einen enthielt. Bild-zu-Video hat kein Feld für einen negativen Prompt.
Braucht Bild-zu-Video einen Prompt?
Nein. Ein Aufruf ohne Prompt animierte das Foto trotzdem. Ein kurzer Prompt dazu, was die Person als Nächstes tut, gab bessere Führung, etwa eine Drehung, ein Lächeln oder eine sich hebende Hand.
Warum hat mein Bild-zu-Video-Clip eine andere Größe als mein Foto?
Der Clip folgt der Form des Fotos und rundet sie auf eine Größe, die das Modell nutzt: 832 x 464 bei einem 16:9-Foto in 480p, 512 x 768 bei einem 2:3-Porträt. Es gibt kein Feld für das Seitenverhältnis, schneiden Sie das Foto also vorher zu.
Wie lange braucht ein Clip?
In unseren Läufen 70 bis 130 Sekunden für einen 5-Sekunden-Clip in 480p und 142 bis 241 Sekunden in 720p. Entwerfen Sie in 480p und schließen Sie in 720p ab.
Soll ich HunyuanVideo 1.5 oder LTX-2 19B nutzen?
Nutzen Sie HunyuanVideo 1.5 für Gesicht und Haut einer Person ohne Ton und LTX-2 19B für Ton, längere Clips, 1080p und schnelle Entwürfe. Die Tabelle oben vergleicht sie nebeneinander.
