腾讯混元大模型团队近日正式推出了其最新的视频生成模型 hunyuanvideo1.5，标志着在视频生成技术领域迈出了关键一步。该模型基于先进的 diffusion transformer（dit）架构打造，参数规模达8.3b，具备生成5到10秒高清视频的能力，目前已在腾讯旗下的「元宝」平台上线，面向用户开放体验。
HunyuanVideo1.5 提供多种生成模式，支持通过文字描述（Prompt）实现“文生视频”，也允许用户上传图片并结合文本提示，将静态图像轻松转化为生动的动态视频。这一技术不仅兼容中英文输入，还在色调、光影、场景结构、主体形态及细节表现等方面实现了与原图的高度一致，展现出卓越的图像-视频一致性能力。
在实际应用中，模型展现了强大的语义理解与视觉呈现能力。例如，当输入一段描述“手提箱内生长出一个迷你英式花园”的提示词时，模型能够准确还原从开箱到绿植蔓延的全过程，体现出优秀的指令遵循能力和创意表达水平。同时，HunyuanVideo1.5 支持写实、动画等多种视觉风格，并可在视频画面中直接生成中英文文字内容，为内容创作者提供了更广阔的发挥空间。
从技术角度看，HunyuanVideo1.5 引入了创新的 SSTA 稀疏注意力机制，有效提升了推理速度和资源利用效率。配合多阶段渐进式训练策略，模型在动作连贯性、场景逻辑性和语义准确性等核心指标上均已达到可商用的标准。尤为值得一提的是，其部署门槛大幅降低——仅需配备14G显存的消费级显卡即可流畅运行，极大降低了个人开发者和小型团队的使用成本。
此前，开源领域领先的视频生成模型普遍需要超过20B参数量以及50GB以上显存支持，而 HunyuanVideo1.5 在保持高质量输出的同时，实现了性能与体积之间的良好平衡。目前，该模型已同步发布至 Hugging Face 与 GitHub 平台，供全球开发者自由下载与二次开发。
源码地址：点击下载
