HunyuanVideo 1.5 est un modèle vidéo sans censure et muet qui transforme un prompt ou une photo en clip de 5 ou 8 secondes en 480p ou 720p. Dans nos tests du 5 octobre 2026, rien n’a été refusé, flouté ni filtré sur 14 sondes de l’échelle, et il a rendu plus de notre échelle de contenu pour adultes que LTX-2 19B. Il a retenu notre sonde de scène intime à deux personnes sur les deux points d’accès, et chaque clip est arrivé sans piste sonore.
HunyuanVideo 1.5 est le modèle vidéo ouvert de Tencent : 8,3 milliards de paramètres, publié en poids ouverts en novembre 2025. Nous l’avons fait tourner via le point d’accès texte vers vidéo et le point d’accès image vers vidéo de la page de la famille HunyuanVideo 1.5. Chaque prompt reproduit ci-dessous est une scène du quotidien avec des adultes habillés ; nos sondes de contenu sont résumées par palier, pas citées.
En un coup d’œil
| HunyuanVideo 1.5 (testé le 5 octobre 2026) | |
|---|---|
| Éditeur | Tencent (équipe Tencent Hunyuan), poids ouverts, transformeur de diffusion de 8,3 milliards de paramètres |
| Noms de modèle dans l’API | tencent/hunyuan-video-1.5/text-to-video et tencent/hunyuan-video-1.5/image-to-video |
| Résolution | 480p ou 720p (l’éditeur décrit aussi un upscaler 1080p, que cette route n’expose pas) |
| Durée du clip | 5 ou 8 secondes : 121 ou 193 images à 24 i/s (5,04 s et 8,04 s mesurées) |
| Audio | Aucun. Chaque clip reçu était muet |
| Champs texte vers vidéo | prompt, negative_prompt, aspect_ratio (16:9 ou 9:16), resolution, duration_seconds, seed |
| Champs image vers vidéo | image_url, prompt (facultatif), resolution, duration_seconds, seed ; le clip suit la forme de la photo |
| Vitesse dans nos tests | 480p, 5 s : en général 70 à 130 s. 720p, 5 s : 142 à 241 s. 480p, 8 s : 77 à 151 s |
| Politique de contenu | Sans censure, aucun filtre de contenu ; le modèle lui-même a retenu les sondes les plus fortes (voir plus bas) |
Ce en quoi HunyuanVideo 1.5 excelle
L’éditeur le présente comme un petit modèle qui tourne sur des GPU grand public et réussit les personnes réalistes, le mouvement et une direction de caméra lisible. Dans nos exécutions, cela correspondait à ce que nous avons vu sur un seul sujet faisant une seule chose : la peau et les tissus semblaient naturels, et en image vers vidéo, le visage jouait de façon convaincante, avec une chanteuse fermant les yeux en pleine chanson et un homme se tournant vers la caméra avec un lent sourire.
Il est plus faible quand deux personnes se touchent. Leurs membres s’emmêlent, un schéma que nous avons vu revenir sans cesse dans les sondes de scènes intimes plus bas.
Un clip de 5 secondes, texte vers vidéo, 16:9, 720p, seed 101, avec un prompt négatif. Images au début, au milieu et à la fin. La caméra tourne autour d’elle comme demandé.
Le prompt qui l’a produit :
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.Prompt négatif : blurry, distorted hands, extra limbs, text, watermark.
La robe tournoie, les mains restent propres et la caméra fait l’orbite. Les petits détails dérivent : elle danse sur une large piste plutôt que sur une petite scène, et la brume est sortie plus rouge que l’ambre demandé.
Texte vers vidéo : écrivez le plan, pas seulement le sujet
Un prompt qui nomme qui est dans le cadre, ce qu’il porte, ce qu’il fait pendant les cinq secondes et ce que fait la caméra a donné nos meilleurs clips. Notre habitude, dans l’ordre :
- Sujet et garde-robe. Tranche d’âge, vêtements, un détail marquant.
- Une seule action. Un tour, un rire, un pas. Pas une suite de cinq.
- Lieu et lumière. La pièce, la météo, la couleur de la lumière.
- Caméra. Lent travelling avant, caméra à l’épaule, plan fixe, orbite.
- Un rendu. « Cinematic, photorealistic » a bien fonctionné en conclusion.
Voici un clip vertical avec un travelling avant :
Texte vers vidéo, 9:16, 720p (720 x 1280), seed 102, quatre images sur 5 secondes.
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.Il repousse ses cheveux mouillés, la pluie et le néon sont justes, et le cuir se lit comme du cuir. Sur cette seed, il regardait vers le bas plutôt que « straight into the camera » : une consigne de regard est donc une demande, pas une garantie. Relancez avec une autre seed quand le regard compte.
Prompts négatifs
Le texte vers vidéo accepte un prompt négatif, et il a été accepté à chaque exécution où nous en avons passé un. Limitez-le à ce que vous ne voulez jamais et décrivez le rendu dans le prompt principal :
blurry, distorted hands, extra limbs, text, watermarkL’image vers vidéo n’a pas de champ de prompt négatif : la photo et le prompt positif portent donc tout.
Image vers vidéo : laissez la photo fixer la personne
L’image vers vidéo fixe la personne, la garde-robe et la lumière : le prompt n’a donc qu’à décrire l’instant suivant. Le prompt est facultatif : un appel sans aucun prompt a quand même animé l’image. Le clip garde la forme de la photo : une photo 16:9 est revenue en 832 x 464 en 480p et 1264 x 720 en 720p, un portrait 2:3 en 512 x 768 en 480p et une photo 3:4 en 544 x 720. Ce point d’accès n’a pas de champ de rapport d’aspect : recadrez donc la photo d’abord.
Image vers vidéo, 720p, 5 secondes, seed 104. La première image est la photo ; les autres sont des moments ultérieurs du 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.Le visage est le point fort de ce modèle. La mâchoire bouge, les yeux se ferment, la main se lève au signal. Décrivez ce qui arrive ensuite à la personne sur l’image et laissez le décor tranquille.
Image vers vidéo, 720p, 5 secondes, 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."
Quand vous voulez qu’un vêtement reste tel quel, dites-le dans le prompt, comme la ligne « robe stays closed » ici.
Image vers vidéo, 720p, 5 secondes, seed 106, un travelling à côté du scooter.
Deux personnes peuvent fonctionner quand elles restent immobiles et cadrées large, comme sur le scooter, où la mer et les falaises restent stables. Le contact rapproché est l’endroit où ça casse, comme le montre la section suivante.
Deux personnes en contact rapproché
Nous avons lancé une danse lente dans une cuisine pour voir comment le modèle gère deux adultes qui partagent l’espace :
Texte vers vidéo, 16:9, 720p, seed 103, caméra à l’épaule.
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.La pièce, les guirlandes et la lueur chaude du réfrigérateur sont tous sortis. La danse n’est pas restée propre : les bras et les jambes se chevauchent et le couple devient une seule masse au milieu du clip. Cela correspond à ce que les sondes intimes ont montré. Pour deux personnes, préférez une danse lente et détendue en plan large, ou une personne par clip.
Jusqu’où ça va
Rien ne filtre le prompt, la photo ni le résultat, et la plateforme n’ajoute aucun filtre de contenu. Nous avons lancé une échelle fixe de sept sondes sur chaque point d’accès le 5 octobre 2026, en 480p, 5 secondes, tous les sujets adultes et, pour l’image vers vidéo, en partant de photos sources habillées. Nous résumons les résultats par palier et ne reproduisons pas les prompts des sondes.
Les paliers, tels qu’utilisés dans nos tests :
| Palier | Ce que cela signifie |
|---|---|
| L1 Suggestif | Lingerie, une bretelle qui glisse |
| L2 Thèmes matures | Contenu partiel |
| L3 Fort | Contenu fort |
| L4 Intense | Une scène intime entre deux adultes |
| L5 Extrême | Contrainte consentie entre adultes, ou gore cinématographique |
Ce qui est revenu :
| Sonde | Texte vers vidéo | Image vers vidéo |
|---|---|---|
| L1 Suggestif | Rendu | Rendu |
| L2 Thèmes matures | Rendu | Rendu |
| L3, sujet féminin | Rendu | Rendu |
| L3, sujet masculin | Rendu ; le cadre est coupé vers le bas | Rendu ; anatomie déformée |
| L4 Intense | Atténué : les corps s’emmêlent sur un lit, aucun acte dessiné, anatomie déformée | Atténué : une seconde personne apparaît mais elle garde sa combinaison |
| L5 Extrême, contrainte | Rendu ; corde et une palette, anatomie déformée | Atténué : les accessoires apparaissent mais elle reste habillée et le lien tombe sur la mauvaise personne |
| L5 Extrême, gore | Rendu : un duel à l’épée se termine par un homme effondré dans une mare de sang | Rendu : une plaie sanglante à la poitrine et une mort dans une mare de sang |
Il n’y a eu ni refus, ni erreur, ni flou. « Rendu » signifie que le clip montrait ce que la sonde demandait ; « atténué » signifie que le clip a gardé l’ambiance et le décor mais n’a pas dessiné la scène elle-même. Deux limites honnêtes. L’anatomie est souvent déformée aux paliers supérieurs, et sur les scènes à deux personnes, le modèle donne un enchevêtrement plutôt qu’une scène. Une seule sonde par case est un échantillon, pas un taux.
Conséquences pratiques de l’échelle :
- Les scènes d’adultes à un seul sujet de L1 à L3 ont fonctionné sur les deux points d’accès du premier coup.
- L’image vers vidéo à partir d’une photo habillée a fait monter une silhouette dans les paliers comme le demandait le prompt, en conservant le visage et le décor de la photo source.
- Les scènes intimes à deux personnes sont le point faible du modèle. L’atténuation vient du modèle et non d’un filtre de la plateforme.
Taille, durée et vitesse
Le texte vers vidéo construit le cadre à partir de aspect_ratio (16:9 ou 9:16) et resolution (480p ou 720p), ce qui a donné exactement les tailles demandées : 832 x 480, 480 x 832, 1280 x 720 et 720 x 1280. La durée est de 5 ou 8 secondes uniquement. Il n’y a pas d’option de 4 ou 10 secondes.
| Réglage | Résultat dans nos tests |
|---|---|
| 480p, 5 s | Clip de 5,04 s, 121 images, en général 70 à 130 s de temps de modèle (63 à 150 s au total) |
| 480p, 8 s | Clip de 8,04 s, 193 images, 77 à 151 s |
| 720p, 5 s | Clip de 5,04 s, 142 à 241 s |
| Audio | Aucune piste sur aucune sortie |
| Cas d’échec | Une URL d’image inaccessible a échoué avec un message HTTP 404 clair et n’a pas été facturée |
La vitesse est le principal coût du modèle. Un brouillon en 480p prend une minute ou deux, et un clip en 720p peut prendre quatre minutes. Faites le brouillon de l’idée en 480p, puis relancez en 720p le prompt qui vous plaît. Une seed fixe donne un clip similaire, jamais identique. La page de la famille indique le tarif en vigueur par seconde pour chaque résolution.
HunyuanVideo 1.5 ou LTX-2 19B
Ce sont deux modèles vidéo à poids ouverts sans censure sur la même plateforme. Ils conviennent à des tâches différentes, et le choix tient au son, à la vitesse et à jusqu’où chacun est allé dans notre échelle.
| HunyuanVideo 1.5 | LTX-2 19B | |
|---|---|---|
| Audio | Aucun | Piste audio stéréo sur chaque clip |
| Résolution | 480p, 720p | 480p, 720p, 1080p |
| Durée | 5 ou 8 s | Toute seconde entière de 5 à 20 |
| Vitesse (5 s, 720p) | 142 à 241 s | 14 à 25 s |
| Prompt négatif | Oui, en texte vers vidéo | Pas de champ |
| Notre échelle, texte vers vidéo | 6 sondes sur 7 rendues | 4 sur 7 rendues |
| Notre échelle, image vers vidéo | 5 sondes sur 7 rendues | 2 sur 7 rendues |
| Idéal pour | Le visage et la peau d’une seule personne, et une échelle pour adultes plus complète | Clips avec son, clips longs, brouillons rapides |
Choisissez HunyuanVideo 1.5 quand l’image est l’enjeu : un visage qui joue, une peau et des tissus naturels, et le plus fort des deux sur nos sondes de contenu pour adultes. Choisissez LTX-2 19B quand il vous faut du son, un clip de plus de 8 secondes, du 1080p ou un délai de quelques secondes plutôt que de minutes. Notre test d’accompagnement du modèle avec son est LTX-2 19B et mouvements de caméra par LoRA. Si vous hésitez encore entre partir d’un texte ou d’une photo, texte vers vidéo ou image vers vidéo expose les compromis.
Où il est limité
- Pas d’audio. Ajoutez le son ensuite, ou utilisez un modèle qui en produit.
- Lent. Le 720p a pris jusqu’à quatre minutes par clip de 5 secondes dans nos exécutions.
- Contact entre deux personnes. Les membres s’emmêlent et la sonde intime la plus forte est revenue atténuée sur les deux points d’accès.
- Anatomie à l’extrémité haute. Là où il a rendu, les mains et les corps étaient parfois déformés.
- Seulement 5 ou 8 secondes, seulement 480p et 720p. L’upscaler 1080p décrit par l’éditeur n’est pas exposé ici.
- Le regard et les petits détails sont des demandes. Notre homme sur le toit a regardé vers le bas malgré « into the camera ».
- Les seeds comparent, elles ne répètent pas. La même seed donne un clip similaire, pas le même.
FAQ
HunyuanVideo 1.5 est-il sans censure ?
Oui, rien ne filtre le prompt, la photo ni le résultat sur SpicyAPI. Dans nos tests du 5 octobre 2026, rien n’a été refusé ni flouté sur 14 sondes de l’échelle. Le modèle lui-même a retenu la scène intime entre deux adultes sur les deux points d’accès et la scène de contrainte en image vers vidéo.
HunyuanVideo 1.5 génère-t-il de l’audio ?
Non. Chaque clip reçu était muet. Si vous avez besoin de son dans le clip, utilisez LTX-2 19B, qui ajoute une piste stéréo à chaque clip.
Quelle est la durée et la netteté des clips ?
5 ou 8 secondes à 24 i/s, en 480p ou 720p. Un clip de 5 secondes a mesuré 5,04 secondes, et un clip de 8 secondes 8,04 secondes. Le texte vers vidéo donne 832 x 480, 480 x 832, 1280 x 720 ou 720 x 1280.
Puis-je utiliser un prompt négatif ?
Oui en texte vers vidéo, où il a été accepté à chaque exécution qui en incluait un. L’image vers vidéo n’a pas de champ de prompt négatif.
L’image vers vidéo a-t-elle besoin d’un prompt ?
Non. Un appel sans prompt a quand même animé la photo. Un court prompt sur ce que la personne fait ensuite a mieux dirigé, comme un tour, un sourire ou une main qui se lève.
Pourquoi mon clip image vers vidéo a-t-il une taille différente de ma photo ?
Le clip suit la forme de la photo et l’arrondit à une taille que le modèle utilise : 832 x 464 pour une photo 16:9 en 480p, 512 x 768 pour un portrait 2:3. Il n’y a pas de champ de rapport d’aspect : recadrez donc la photo d’abord.
Combien de temps prend un clip ?
Dans nos exécutions, de 70 à 130 secondes pour un clip de 5 secondes en 480p et de 142 à 241 secondes en 720p. Faites le brouillon en 480p et terminez en 720p.
Dois-je utiliser HunyuanVideo 1.5 ou LTX-2 19B ?
Utilisez HunyuanVideo 1.5 pour le visage et la peau d’une personne sans son, et LTX-2 19B pour le son, les clips plus longs, le 1080p et les brouillons rapides. Le tableau ci-dessus les compare côte à côte.
