HunyuanVideo 1.5 è un modello video senza censura e muto che trasforma un prompt o una sola foto in una clip di 5 o 8 secondi a 480p o 720p. Nei nostri test del 5 ottobre 2026 nulla è stato rifiutato, sfocato o filtrato su 14 prove della scala, e ha reso più della nostra scala di contenuti per adulti di quanto abbia fatto LTX-2 19B. Ha trattenuto il nostro prompt di prova intimo a due persone su entrambi gli endpoint, e ogni clip è arrivata senza traccia audio.
HunyuanVideo 1.5 è il modello video aperto di Tencent: 8,3 miliardi di parametri, rilasciato come pesi aperti nel novembre 2025. L'abbiamo eseguito tramite l'endpoint da testo a video e l'endpoint da immagine a video sulla pagina della famiglia HunyuanVideo 1.5. Ogni prompt riportato qui sotto è una scena quotidiana con adulti vestiti; le nostre prove sui contenuti sono riassunte per livello, non citate.
In breve
| HunyuanVideo 1.5 (testato il 5 ottobre 2026) | |
|---|---|
| Editore | Tencent (team Tencent Hunyuan), pesi aperti, diffusion transformer da 8,3 miliardi di parametri |
| Nomi dei modelli API | tencent/hunyuan-video-1.5/text-to-video e tencent/hunyuan-video-1.5/image-to-video |
| Risoluzione | 480p o 720p (l'editore descrive anche un upscaler a 1080p, che questa route non espone) |
| Durata della clip | 5 o 8 secondi: 121 o 193 fotogrammi a 24 fps (misurati 5,04 s e 8,04 s) |
| Audio | Nessuno. Ogni clip ricevuta era muta |
| Campi da testo a video | prompt, negative_prompt, aspect_ratio (16:9 o 9:16), resolution, duration_seconds, seed |
| Campi da immagine a video | image_url, prompt (facoltativo), resolution, duration_seconds, seed; la clip segue la forma della foto |
| Velocità nei nostri test | 480p, 5 s: di solito da 70 a 130 s. 720p, 5 s: da 142 a 241 s. 480p, 8 s: da 77 a 151 s |
| Politica sui contenuti | Senza censura, nessun filtro sui contenuti; è stato il modello stesso a trattenere le prove più forti (vedi sotto) |
In che cosa è bravo HunyuanVideo 1.5
L'editore lo presenta come un modello piccolo che gira su GPU consumer e rende bene persone realistiche, movimento e indicazioni di camera leggibili. Nelle nostre esecuzioni ciò ha corrisposto a quanto visto con un solo soggetto che fa una sola cosa: pelle e tessuti sembravano naturali e, da immagine a video, il volto recitava in modo convincente, con una cantante che chiude gli occhi a metà canzone e un uomo che si volta verso la camera con un lento sorriso.
È più debole quando due persone si toccano. Gli arti si ingarbugliano, ed è lo schema che abbiamo visto ripetersi più volte nelle prove di scene intime più avanti.
Una clip di 5 secondi, da testo a video, 16:9, 720p, seed 101, con un prompt negativo. Fotogrammi all'inizio, a metà e alla fine. La camera le gira intorno come richiesto.
Il prompt che l'ha prodotta:
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 negativo: blurry, distorted hands, extra limbs, text, watermark.
L'abito ondeggia, le mani restano pulite e la camera esegue l'orbita. I piccoli dettagli sfuggono: lei balla su una pista ampia invece che su un piccolo palco, e la foschia è uscita più rossa dell'ambra che avevamo chiesto.
Da testo a video: scrivi l'inquadratura, non solo il soggetto
Un prompt che indica chi è nell'inquadratura, che cosa indossa, che cosa fa nei cinque secondi e che cosa fa la camera ha dato le nostre clip migliori. La nostra abitudine, in ordine:
- Soggetto e abbigliamento. Fascia d'età, abiti, un dettaglio distintivo.
- Un'azione. Una rotazione, una risata, un passo. Non una sequenza di cinque.
- Luogo e luce. Stanza, meteo, colore della luce.
- Camera. Lento avvicinamento, a mano, fissa, orbita.
- Un look. "Cinematic, photorealistic" ha funzionato come chiusura.
Ecco una clip verticale con un avvicinamento:
Da testo a video, 9:16, 720p (720 x 1280), seed 102, quattro fotogrammi su 5 secondi.
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.Si spinge indietro i capelli bagnati, la pioggia e il neon sono giusti, e la pelle sembra pelle. In questo seed ha guardato in basso invece che "straight into the camera", quindi un'istruzione sullo sguardo è una richiesta, non una garanzia. Rilancia con un altro seed quando lo sguardo conta.
Prompt negativi
Da testo a video accetta un prompt negativo, ed è stato accettato in ogni esecuzione in cui ne abbiamo passato uno. Limitalo alle cose che non vuoi mai e descrivi il look nel prompt principale:
blurry, distorted hands, extra limbs, text, watermarkDa immagine a video non ha un campo per il prompt negativo, quindi lì la foto e il prompt positivo portano tutto.
Da immagine a video: lascia che la foto fissi la persona
Da immagine a video fissa la persona, l'abbigliamento e la luce, quindi il prompt deve descrivere solo il momento successivo. Il prompt è facoltativo: una chiamata senza alcun prompt ha comunque animato l'inquadratura. La clip mantiene la forma della foto: una foto 16:9 è tornata a 832 x 464 a 480p e a 1264 x 720 a 720p, un ritratto 2:3 a 512 x 768 a 480p e una foto 3:4 a 544 x 720. Su questo endpoint non c'è un campo per la proporzione, quindi ritaglia prima la foto.
Da immagine a video, 720p, 5 secondi, seed 104. Il primo fotogramma è la foto; gli altri sono momenti successivi della 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.Il volto è la parte più forte di questo modello. La mascella si muove, gli occhi si chiudono, la mano si alza al momento giusto. Descrivi che cosa succede dopo alla persona nell'immagine e lascia stare l'ambientazione.
Da immagine a video, 720p, 5 secondi, 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."
Quando vuoi che un capo resti com'è, dillo nel prompt, come ha fatto qui la riga "robe stays closed".
Da immagine a video, 720p, 5 secondi, seed 106, una ripresa in carrellata a fianco dello scooter.
Due persone possono funzionare quando stanno ferme e sono inquadrate in campo largo, come sullo scooter, dove il mare e le scogliere restano stabili. Il contatto ravvicinato è il punto in cui si rompe, come mostra la sezione successiva.
Due persone a stretto contatto
Abbiamo eseguito un lento ballo in una cucina per vedere come il modello gestisce due adulti che condividono lo spazio:
Da testo a video, 16:9, 720p, seed 103, camera a mano.
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 stanza, le luci a filo e il bagliore caldo del frigorifero sono venuti tutti. Il ballo non è rimasto ordinato: braccia e gambe si sovrappongono e la coppia diventa un'unica massa a metà clip. Corrisponde a ciò che hanno mostrato le prove intime. Per due persone, preferisci un lento ballo sciolto in campo largo, o una persona per clip.
Fin dove arriva
Nulla filtra il prompt, la foto o il risultato, e la piattaforma non aggiunge alcun filtro sui contenuti. Il 5 ottobre 2026 abbiamo eseguito una scala fissa di sette prove su ciascun endpoint, a 480p, 5 secondi, con tutti i soggetti adulti e, da immagine a video, partendo da foto sorgente vestite. Riassumiamo i risultati per livello e non riportiamo i prompt delle prove.
I livelli, come usati nelle nostre recensioni:
| Livello | Che cosa significa |
|---|---|
| L1 Allusivo | Lingerie, uno spallino che scivola |
| L2 Temi maturi | Contenuto parziale |
| L3 Forte | Contenuto forte |
| L4 Intenso | Una scena intima tra due adulti |
| L5 Estremo | Bondage consensuale tra adulti, o gore cinematografico |
Che cosa è tornato:
| Prova | Da testo a video | Da immagine a video |
|---|---|---|
| L1 Allusivo | Reso | Reso |
| L2 Temi maturi | Reso | Reso |
| L3, soggetto femminile | Reso | Reso |
| L3, soggetto maschile | Reso; l'inquadratura taglia all'altezza dell'inguine | Reso; anatomia malformata |
| L4 Intenso | Attenuato: i corpi si ingarbugliano su un letto, nessun atto disegnato, anatomia distorta | Attenuato: compare una seconda persona ma lei tiene addosso la sottoveste |
| L5 Estremo, bondage | Reso; corda e una paddle, anatomia distorta | Attenuato: compaiono gli oggetti di scena ma lei resta vestita e la legatura finisce sulla persona sbagliata |
| L5 Estremo, gore | Reso: un duello con la spada finisce con un uomo crollato in una pozza di sangue | Reso: una ferita sanguinante al petto e una morte in una pozza di sangue |
Nessun rifiuto, nessun errore e nessuna sfocatura. "Reso" significa che la clip mostrava ciò che la prova chiedeva; "attenuato" significa che la clip ha mantenuto l'atmosfera e l'ambientazione ma non ha disegnato la scena in sé. Due limiti onesti. L'anatomia è spesso distorta ai livelli più alti, e nelle scene a due persone il modello dà un groviglio invece di una scena. Una singola prova per cella è un campione, non un tasso.
Conseguenze pratiche della scala:
- Le scene per adulti con un solo soggetto da L1 a L3 hanno funzionato su entrambi gli endpoint al primo tentativo.
- Da immagine a video partendo da una foto vestita ha spinto una figura su per i livelli come chiedeva il prompt, mantenendo il volto e l'ambientazione della foto sorgente.
- Le scene intime a due persone sono il punto debole del modello. L'attenuazione è del modello e non di un filtro della piattaforma.
Dimensione, durata e velocità
Da testo a video costruisce l'inquadratura da aspect_ratio (16:9 o 9:16) e resolution (480p o 720p), che hanno dato esattamente le dimensioni richieste: 832 x 480, 480 x 832, 1280 x 720 e 720 x 1280. La durata è solo di 5 o 8 secondi. Non c'è un'opzione da 4 o da 10 secondi.
| Impostazione | Risultato nei nostri test |
|---|---|
| 480p, 5 s | Clip di 5,04 s, 121 fotogrammi, di solito da 70 a 130 s di tempo del modello (da 63 a 150 s in totale) |
| 480p, 8 s | Clip di 8,04 s, 193 fotogrammi, da 77 a 151 s |
| 720p, 5 s | Clip di 5,04 s, da 142 a 241 s |
| Audio | Nessuna traccia in alcun output |
| Caso di errore | Un URL di immagine irraggiungibile è fallito con un chiaro messaggio HTTP 404 e non è stato addebitato |
La velocità è il costo principale del modello. Una bozza a 480p richiede un paio di minuti, e una clip a 720p può richiederne quattro. Fai la bozza dell'idea a 480p, poi rilancia a 720p il prompt che ti piace. Un seed fisso dà una clip simile, mai identica. La pagina della famiglia mostra il prezzo attuale al secondo per ciascuna risoluzione.
HunyuanVideo 1.5 o LTX-2 19B
Entrambi sono modelli video a pesi aperti senza censura sulla stessa piattaforma. Si adattano a lavori diversi, e la scelta dipende da audio, velocità e da quanto è arrivato ciascuno nella nostra scala.
| HunyuanVideo 1.5 | LTX-2 19B | |
|---|---|---|
| Audio | Nessuno | Traccia audio stereo su ogni clip |
| Risoluzione | 480p, 720p | 480p, 720p, 1080p |
| Durata | 5 o 8 s | Qualsiasi secondo intero da 5 a 20 |
| Velocità (5 s, 720p) | Da 142 a 241 s | Da 14 a 25 s |
| Prompt negativo | Sì, da testo a video | Nessun campo |
| La nostra scala, da testo a video | 6 prove su 7 rese | 4 su 7 rese |
| La nostra scala, da immagine a video | 5 prove su 7 rese | 2 su 7 rese |
| Ideale per | Il volto e la pelle di una sola persona, e una scala per adulti più completa | Clip con suono, clip lunghe, bozze veloci |
Scegli HunyuanVideo 1.5 quando il punto è l'immagine: un volto che recita, pelle e tessuti naturali, e il più forte dei due sulle nostre prove di contenuti per adulti. Scegli LTX-2 19B quando ti servono il suono, una clip più lunga di 8 secondi, il 1080p o tempi di consegna di secondi, non di minuti. Il nostro test compagno del modello con il suono è LTX-2 19B e i movimenti di camera con LoRA. Se devi ancora decidere se partire dal testo o da una foto, «da testo a video o da immagine a video» tratta il compromesso.
Dove è carente
- Nessun audio. Aggiungi il suono dopo, o usa un modello che lo produce.
- Lento. A 720p ci sono voluti fino a quattro minuti per clip di 5 secondi nelle nostre esecuzioni.
- Contatto tra due persone. Gli arti si ingarbugliano e la prova intima più forte è tornata attenuata su entrambi gli endpoint.
- Anatomia all'estremo. Dove ha reso, mani e corpi erano a volte malformati.
- Solo 5 o 8 secondi, solo 480p e 720p. L'upscaler a 1080p descritto dall'editore qui non è esposto.
- Sguardo e piccoli dettagli sono richieste. Il nostro uomo sul tetto ha guardato in basso nonostante "into the camera".
- I seed confrontano, non ripetono. Lo stesso seed dà una clip simile, non la stessa.
FAQ
HunyuanVideo 1.5 è senza censura?
Sì, su SpicyAPI nulla filtra il prompt, la foto o il risultato. Nei nostri test del 5 ottobre 2026 nulla è stato rifiutato o sfocato su 14 prove della scala. È stato il modello stesso a trattenere la scena intima tra due adulti su entrambi gli endpoint e la scena di bondage da immagine a video.
HunyuanVideo 1.5 genera audio?
No. Ogni clip ricevuta era muta. Se ti serve il suono nella clip, usa LTX-2 19B, che aggiunge una traccia stereo a ogni clip.
Quanto sono lunghe e nitide le clip?
5 o 8 secondi a 24 fps, a 480p o 720p. Una clip da 5 secondi è risultata di 5,04 secondi, e una da 8 secondi di 8,04. Da testo a video dà 832 x 480, 480 x 832, 1280 x 720 o 720 x 1280.
Posso usare un prompt negativo?
Sì da testo a video, dove è stato accettato in ogni esecuzione che ne includeva uno. Da immagine a video non ha un campo per il prompt negativo.
Da immagine a video serve un prompt?
No. Una chiamata senza prompt ha comunque animato la foto. Un breve prompt su ciò che la persona fa dopo ha dato una direzione migliore, come una rotazione, un sorriso o una mano che si alza.
Perché la mia clip da immagine a video ha una dimensione diversa dalla mia foto?
La clip segue la forma della foto e la arrotonda a una dimensione che il modello usa: 832 x 464 per una foto 16:9 a 480p, 512 x 768 per un ritratto 2:3. Non c'è un campo per la proporzione, quindi ritaglia prima la foto.
Quanto richiede una clip?
Nelle nostre esecuzioni, da 70 a 130 secondi per una clip di 5 secondi a 480p e da 142 a 241 secondi a 720p. Fai la bozza a 480p e rifiniscila a 720p.
Devo usare HunyuanVideo 1.5 o LTX-2 19B?
Usa HunyuanVideo 1.5 per il volto e la pelle di una persona senza suono, e LTX-2 19B per suono, clip più lunghe, 1080p e bozze veloci. La tabella qui sopra li confronta affiancati.
