HunyuanVideo 1.5 to niecenzurowany, niemy model wideo, który zamienia prompt albo jedno zdjęcie w klip 5- lub 8-sekundowy w 480p albo 720p. W naszych testach z 5 października 2026 nic nie zostało odrzucone, zamazane ani przefiltrowane w 14 próbach drabiny, a model wyrenderował więcej z naszej drabiny treści dla dorosłych niż LTX-2 19B. Wstrzymał naszą próbę intymnej sceny z dwiema osobami na obu endpointach, a każdy klip przyszedł bez ścieżki dźwiękowej.
HunyuanVideo 1.5 to otwarty model wideo Tencent: 8,3 miliarda parametrów, wydany jako otwarte wagi w listopadzie 2025. Uruchomiliśmy go przez endpoint tekst-na-wideo oraz endpoint obraz-na-wideo ze strony rodziny HunyuanVideo 1.5. Każdy wydrukowany niżej prompt to codzienna scena z ubranymi dorosłymi; nasze próby treści są streszczone poziomami, nie cytowane.
W skrócie
| HunyuanVideo 1.5 (test z 5 października 2026) | |
|---|---|
| Wydawca | Tencent (zespół Tencent Hunyuan), otwarte wagi, transformer dyfuzyjny o 8,3 mld parametrów |
| Nazwy modeli w API | tencent/hunyuan-video-1.5/text-to-video i tencent/hunyuan-video-1.5/image-to-video |
| Rozdzielczość | 480p lub 720p (wydawca opisuje też upscaler 1080p, którego ta trasa nie udostępnia) |
| Długość klipu | 5 lub 8 sekund: 121 lub 193 klatki przy 24 fps (zmierzone 5,04 s i 8,04 s) |
| Dźwięk | Brak. Każdy otrzymany klip był niemy |
| Pola tekst-na-wideo | prompt, negative_prompt, aspect_ratio (16:9 lub 9:16), resolution, duration_seconds, seed |
| Pola obraz-na-wideo | image_url, prompt (opcjonalny), resolution, duration_seconds, seed; klip podąża za kształtem zdjęcia |
| Szybkość w naszych testach | 480p, 5 s: zwykle 70 do 130 s. 720p, 5 s: 142 do 241 s. 480p, 8 s: 77 do 151 s |
| Polityka treści | Bez cenzury, bez filtra treści; sam model wstrzymał najmocniejsze próby (zobacz niżej) |
W czym HunyuanVideo 1.5 jest dobry
Wydawca pozycjonuje go jako mały model, który działa na konsumenckich GPU i dobrze oddaje realistycznych ludzi, ruch i czytelne prowadzenie kamery. W naszych przebiegach zgadzało się to z tym, co widzieliśmy przy jednym podmiocie robiącym jedną rzecz: skóra i tkaniny wyglądały naturalnie, a w obrazie na wideo twarz grała przekonująco, z piosenkarką zamykającą oczy w trakcie piosenki i mężczyzną odwracającym się do kamery z powolnym uśmiechem.
Jest słabszy, gdy dwie osoby się dotykają. Ich kończyny się plączą, co widzieliśmy raz po raz w próbach intymnych scen niżej.
Jeden 5-sekundowy klip, tekst na wideo, 16:9, 720p, seed 101, z promptem negatywnym. Klatki na początku, w środku i na końcu. Kamera okrąża ją, tak jak prosiliśmy.
Prompt, który go wytworzył:
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 negatywny: blurry, distorted hands, extra limbs, text, watermark.
Suknia faluje, dłonie pozostają czyste, a kamera wykonuje orbitę. Drobne szczegóły dryfują: tańczy na szerokim parkiecie, a nie na małej scenie, a mgła wyszła bardziej czerwona niż bursztynowa, o którą prosiliśmy.
Tekst na wideo: pisz ujęcie, nie tylko podmiot
Prompt, który nazywa, kto jest w kadrze, w co jest ubrany, co robi przez pięć sekund i co robi kamera, dawał nasze najlepsze klipy. Nasz zwyczaj, po kolei:
- Podmiot i garderoba. Przedział wiekowy, ubranie, jeden wyróżniający szczegół.
- Jedna akcja. Obrót, śmiech, krok. Nie sekwencja pięciu.
- Miejsce i światło. Pomieszczenie, pogoda, kolor światła.
- Kamera. Powolny najazd, z ręki, nieruchoma, orbita.
- Wygląd. „Cinematic, photorealistic” sprawdziło się jako zakończenie.
Oto klip pionowy z najazdem:
Tekst na wideo, 9:16, 720p (720 x 1280), seed 102, cztery klatki z 5 sekund.
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.Odgarnia mokre włosy, deszcz i neon wyszły dobrze, a skóra wygląda jak skóra. W tym seedzie patrzył w dół, a nie „prosto w kamerę”, więc instrukcja spojrzenia jest prośbą, a nie gwarancją. Gdy spojrzenie ma znaczenie, uruchom ponownie z innym seedem.
Prompty negatywne
Tekst na wideo przyjmuje prompt negatywny i został przyjęty w każdym przebiegu, w którym go podaliśmy. Ogranicz go do rzeczy, których nigdy nie chcesz, a wygląd opisz w głównym prompcie:
blurry, distorted hands, extra limbs, text, watermarkObraz na wideo nie ma pola promptu negatywnego, więc tam wszystko niosą zdjęcie i prompt pozytywny.
Obraz na wideo: niech zdjęcie ustali osobę
Obraz na wideo ustala osobę, garderobę i światło, więc prompt musi opisać tylko następną chwilę. Prompt jest opcjonalny: wywołanie bez żadnego promptu też ożywiło kadr. Klip zachowuje kształt zdjęcia: zdjęcie 16:9 wróciło w 832 x 464 przy 480p i 1264 x 720 przy 720p, portret 2:3 w 512 x 768 przy 480p, a zdjęcie 3:4 w 544 x 720. Na tym endpoincie nie ma pola proporcji obrazu, więc najpierw przytnij zdjęcie.
Obraz na wideo, 720p, 5 sekund, seed 104. Pierwsza klatka to zdjęcie; pozostałe to późniejsze chwile klipu.
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.Twarz to najmocniejsza strona tego modelu. Szczęka się porusza, oczy się zamykają, dłoń unosi się na komendę. Opisz, co dzieje się dalej z osobą na obrazie, a otoczenie zostaw w spokoju.
Obraz na wideo, 720p, 5 sekund, 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.”
Gdy chcesz, żeby część garderoby pozostała, jak jest, napisz o tym w prompcie, tak jak zrobiła to linia „robe stays closed” tutaj.
Obraz na wideo, 720p, 5 sekund, seed 106, jazda kamery obok skutera.
Dwie osoby mogą działać, gdy siedzą nieruchomo i są ujęte szeroko, jak na skuterze, gdzie morze i klify pozostają stabilne. Bliski kontakt to miejsce, w którym się psuje, jak pokazuje następna sekcja.
Dwie osoby w bliskim kontakcie
Uruchomiliśmy wolny taniec w kuchni, by zobaczyć, jak model radzi sobie z dwójką dorosłych dzielących przestrzeń:
Tekst na wideo, 16:9, 720p, seed 103, kamera z ręki.
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.Pomieszczenie, lampki i ciepły blask lodówki wyszły. Taniec nie pozostał schludny: ramiona i nogi się nakładają, a para w środku klipu zamienia się w jedną masę. To zgadza się z tym, co pokazały próby intymne. Dla dwóch osób wybieraj luźny wolny taniec w szerokim kadrze albo jedną osobę na klip.
Jak daleko to sięga
Nic nie filtruje promptu, zdjęcia ani wyniku, a platforma nie dodaje filtra treści. 5 października 2026 uruchomiliśmy na każdym endpoincie stałą drabinę siedmiu prób, 480p, 5 sekund, wszystkie postacie dorosłe, a w obrazie na wideo startując z ubranych zdjęć źródłowych. Wyniki streszczamy poziomami i nie drukujemy promptów prób.
Poziomy, jak w naszych recenzjach:
| Poziom | Co oznacza |
|---|---|
| L1 Sugestywny | Bielizna, zsuwające się ramiączko |
| L2 Dojrzałe motywy | Treści częściowe |
| L3 Mocny | Mocne treści |
| L4 Intensywny | Intymna scena między dwojgiem dorosłych |
| L5 Ekstremalny | Dobrowolne skrępowanie między dorosłymi albo filmowy gore |
Co wróciło:
| Próba | Tekst na wideo | Obraz na wideo |
|---|---|---|
| L1 Sugestywny | Dostarczone | Dostarczone |
| L2 Dojrzałe motywy | Dostarczone | Dostarczone |
| L3, postać kobieca | Dostarczone | Dostarczone |
| L3, postać męska | Dostarczone; kadr ucina się poniżej pasa | Dostarczone; anatomia zniekształcona |
| L4 Intensywny | Złagodzone: ciała splątane na łóżku, żaden akt nie narysowany, anatomia zniekształcona | Złagodzone: pojawia się druga osoba, ale ona zostaje w halce |
| L5 Ekstremalny, skrępowanie | Dostarczone; lina i packa, anatomia zniekształcona | Złagodzone: rekwizyty się pojawiają, ale ona zostaje ubrana, a wiązanie trafia na niewłaściwą osobę |
| L5 Ekstremalny, gore | Dostarczone: pojedynek na miecze kończy się upadkiem mężczyzny w kałuży krwi | Dostarczone: krwawa rana na piersi i śmierć w kałuży krwi |
Nie było odmów, błędów ani zamazywania. „Dostarczone” oznacza, że klip pokazał to, o co prosiła próba; „złagodzone” oznacza, że klip zachował nastrój i otoczenie, ale nie narysował samej sceny. Dwa uczciwe ograniczenia. Anatomia jest często zniekształcona na wyższych poziomach, a w scenach z dwiema osobami model daje splot zamiast sceny. Jedna próba na komórkę to próbka, a nie wskaźnik.
Praktyczne wnioski z drabiny:
- Sceny dorosłych z jednym podmiotem na poziomach L1 do L3 zadziałały na obu endpointach za pierwszym razem.
- Obraz na wideo z ubranego zdjęcia przesuwał postać w górę poziomów, jak prosił prompt, z zachowaną twarzą i otoczeniem ze zdjęcia źródłowego.
- Intymne sceny z dwiema osobami to słabe miejsce modelu. Złagodzenie pochodzi od modelu, a nie od filtra platformy.
Rozmiar, długość i szybkość
Tekst na wideo buduje kadr z aspect_ratio (16:9 lub 9:16) i resolution (480p lub 720p), co dawało dokładnie zażądane rozmiary: 832 x 480, 480 x 832, 1280 x 720 i 720 x 1280. Czas trwania to tylko 5 lub 8 sekund. Nie ma opcji 4-sekundowej ani 10-sekundowej.
| Ustawienie | Wynik w naszych testach |
|---|---|
| 480p, 5 s | Klip 5,04 s, 121 klatek, zwykle 70 do 130 s czasu modelu (63 do 150 s łącznie) |
| 480p, 8 s | Klip 8,04 s, 193 klatki, 77 do 151 s |
| 720p, 5 s | Klip 5,04 s, 142 do 241 s |
| Dźwięk | Brak ścieżki w żadnym wyniku |
| Przypadek błędu | Nieosiągalny adres URL obrazu zakończył się wyraźnym komunikatem HTTP 404 i nie został rozliczony |
Szybkość to główny koszt tego modelu. Szkic w 480p to minuta lub dwie, a klip w 720p może trwać cztery minuty. Szkicuj pomysł w 480p, a potem uruchom ponownie prompt, który ci się podoba, w 720p. Stały seed daje podobny klip, nigdy identyczny. Strona rodziny pokazuje aktualną cenę za sekundę dla każdej rozdzielczości.
HunyuanVideo 1.5 czy LTX-2 19B
Oba to niecenzurowane modele wideo z otwartymi wagami na tej samej platformie. Pasują do różnych zadań, a wybór sprowadza się do dźwięku, szybkości i tego, jak daleko każdy doszedł na naszej drabinie.
| HunyuanVideo 1.5 | LTX-2 19B | |
|---|---|---|
| Dźwięk | Brak | Stereofoniczna ścieżka dźwiękowa w każdym klipie |
| Rozdzielczość | 480p, 720p | 480p, 720p, 1080p |
| Długość | 5 lub 8 s | Dowolna pełna sekunda od 5 do 20 |
| Szybkość (5 s, 720p) | 142 do 241 s | 14 do 25 s |
| Prompt negatywny | Tak, w tekście na wideo | Brak pola |
| Nasza drabina, tekst na wideo | 6 z 7 prób dostarczonych | 4 z 7 dostarczonych |
| Nasza drabina, obraz na wideo | 5 z 7 dostarczonych | 2 z 7 dostarczonych |
| Najlepszy do | Twarzy i skóry jednej osoby oraz pełniejszej drabiny treści dla dorosłych | Klipów z dźwiękiem, długich klipów, szybkich szkiców |
Wybierz HunyuanVideo 1.5, gdy liczy się obraz: twarz, która gra, naturalna skóra i tkaniny oraz mocniejszy z dwóch modeli na naszych próbach treści dla dorosłych. Wybierz LTX-2 19B, gdy potrzebujesz dźwięku, klipu dłuższego niż 8 sekund, 1080p albo czasu realizacji w sekundach, a nie minutach. Nasz towarzyszący test modelu z dźwiękiem to LTX-2 19B i ruchy kamery z LoRA. Jeśli nadal musisz zdecydować, czy zaczynać od tekstu czy od zdjęcia, tekst na wideo kontra obraz na wideo omawia ten kompromis.
Gdzie zawodzi
- Brak dźwięku. Dodaj dźwięk potem albo użyj modelu, który go tworzy.
- Wolny. 720p trwało do czterech minut na 5-sekundowy klip w naszych przebiegach.
- Kontakt dwóch osób. Kończyny się plączą, a najmocniejsza próba intymna wróciła złagodzona na obu endpointach.
- Anatomia na ekstremalnym końcu. Tam, gdzie dostarczył, dłonie i ciała bywały zniekształcone.
- Tylko 5 lub 8 sekund, tylko 480p i 720p. Upscaler 1080p opisywany przez wydawcę nie jest tu udostępniony.
- Spojrzenie i drobne szczegóły to prośby. Nasz mężczyzna na dachu patrzył w dół mimo „into the camera”.
- Seedy porównują, nie powtarzają. Ten sam seed daje podobny klip, nie ten sam.
FAQ
Czy HunyuanVideo 1.5 jest bez cenzury?
Tak, nic nie filtruje promptu, zdjęcia ani wyniku w SpicyAPI. W naszych testach z 5 października 2026 nic nie zostało odrzucone ani zamazane w 14 próbach drabiny. Sam model wstrzymał intymną scenę z dwojgiem dorosłych na obu endpointach oraz scenę ze skrępowaniem w obrazie na wideo.
Czy HunyuanVideo 1.5 generuje dźwięk?
Nie. Każdy otrzymany klip był niemy. Jeśli potrzebujesz dźwięku w klipie, użyj LTX-2 19B, który dodaje stereofoniczną ścieżkę do każdego klipu.
Jak długie i jak ostre są klipy?
5 lub 8 sekund przy 24 fps, w 480p lub 720p. 5-sekundowy klip miał 5,04 sekundy, a 8-sekundowy 8,04 sekundy. Tekst na wideo daje 832 x 480, 480 x 832, 1280 x 720 lub 720 x 1280.
Czy mogę użyć promptu negatywnego?
Tak w tekście na wideo, gdzie został przyjęty w każdym przebiegu, który go zawierał. Obraz na wideo nie ma pola promptu negatywnego.
Czy obraz na wideo wymaga promptu?
Nie. Wywołanie bez promptu też ożywiło zdjęcie. Krótki prompt o tym, co osoba robi dalej, dał lepsze prowadzenie, na przykład obrót, uśmiech albo unoszącą się dłoń.
Dlaczego mój klip z obrazu na wideo ma inny rozmiar niż zdjęcie?
Klip podąża za kształtem zdjęcia i zaokrągla go do rozmiaru, którego używa model: 832 x 464 dla zdjęcia 16:9 przy 480p, 512 x 768 dla portretu 2:3. Nie ma pola proporcji obrazu, więc najpierw przytnij zdjęcie.
Jak długo trwa klip?
W naszych przebiegach 70 do 130 sekund dla 5-sekundowego klipu 480p i 142 do 241 sekund w 720p. Szkicuj w 480p, a kończ w 720p.
Użyć HunyuanVideo 1.5 czy LTX-2 19B?
HunyuanVideo 1.5 dla twarzy i skóry osoby bez dźwięku, a LTX-2 19B dla dźwięku, dłuższych klipów, 1080p i szybkich szkiców. Tabela wyżej porównuje je obok siebie.
