HunyuanVideo 1.5: análisis de calidad, VRAM, ComfyUI, precio y límites

Actualizado el 23 de octubre de 2026

HunyuanVideo 1.5 merece una prueba si necesitas pesos descargables, control del flujo local y clips cortos sin sonido a partir de texto o una imagen. Resulta menos cómodo para diálogo sincronizado, escenas largas o producción sin gestionar modelos.

Su generador de 8.300 millones de parámetros es más pequeño que el original, pero codificadores, VAE, superresolución y transferencias siguen influyendo en el trabajo real. Que una configuración quepa en memoria no significa que cumpla tus plazos.

Para lectores en España, la autorización territorial es una comprobación previa indispensable. Latinoamérica tampoco es una sola condición contractual. Poder abrir un servicio alojado no demuestra por sí mismo que el uso esté autorizado en tu ubicación.

Veredicto y versión que conviene evaluar

Su atractivo consiste en configurar el proceso: elegir checkpoints, mantener las referencias en un sistema local correctamente preparado y repetir una toma sin una tarifa alojada por intento. A cambio, asumes instalación, memoria y revisión de todo el clip.

HunyuanVideo 1.5 sitúa la publicación de 1.5 en noviembre de 2025. Es la versión general con pesos verificada aquí a fecha de revisión. No confundas la marca de los modelos lingüísticos Hunyuan, la primera generación o un ajuste comunitario con una nueva versión oficial de vídeo.

Encaja con B-roll corto, animación de imágenes y experimentación local. Para un anuncio con sonido y una entrega ajustada, compara el flujo completo antes de decidir por la disponibilidad de pesos.

Calidad visual y movimiento: mirar más allá del primer fotograma

HunyuanVideo 1.5 Technical Report presenta mejoras en imagen, movimiento y seguimiento de instrucciones. Sus comparaciones humanas pertenecen al desarrollador y a un conjunto de competidores de 2025, no a una clasificación universal de servicios actuales.

Inspecciona caras al girar, dedos al tocar objetos, textura que parpadea, líneas durante un paneo y tamaño de los objetos. Revisa principio, mitad y final, y reproduce a velocidad normal. Un fotograma nítido puede esconder inestabilidad temporal.

Empieza con un sujeto, una acción y un movimiento de cámara. Facilita diagnosticar fallos frente a un encargo con cortes y varios actores; es una estrategia de evaluación, no una afirmación de que las acciones complejas sean imposibles.

T2V, I2V, duración, resolución y sonido

T2V construye la escena desde texto; I2V anima una imagen inicial. Esta última opción reduce ambigüedad cuando encuadre y apariencia están aprobados, pero no bloquea identidad, logotipos o geometría durante toda la secuencia.

ComfyUI separa generación y superresolución. La salida 1080p mejorada no equivale a sintetizar cada vídeo de forma nativa a 1080p. Valora cuántos segundos son utilizables antes de que cambien el personaje o el fondo.

El generador principal produce vídeo silencioso. HunyuanVideo-Avatar es un proyecto aparte de animación humana guiada por audio, no un interruptor de sonido para 1.5. Diálogo exige planificar voz, tiempos y labios. Yicai Global también señaló esta limitación en agosto de 2026.

VRAM, RAM y velocidad real del flujo

El mínimo oficial es 14 GB de VRAM con offloading activado; la guía ComfyUI contempla una GPU de 24 GB. Son configuraciones distintas. Con 16 GB, prueba primero un trabajo pequeño con descarga a RAM, sin dar por garantizada la generación cómoda a alta resolución.

8.300 millones describe el generador, no el conjunto de codificadores, VAE, visión I2V y SR. El offloading añade presión a RAM y transferencias. Si el sistema empieza a intercambiar datos con disco, la GPU puede ser compatible y el proceso seguir siendo poco práctico.

Tencent anuncia hasta 75 segundos en una RTX 4090 para su ruta I2V 480p destilada en pasos. Es una cifra del proveedor para esa configuración, no una referencia general de 720p ni de portátil. Separa carga, expansión del prompt, muestreo, decodificación y SR al medir.

La referencia técnica se centra en Linux y NVIDIA CUDA. En Windows comprueba el soporte de ComfyUI; AMD y Apple requieren un runtime compatible, no simplemente suficiente capacidad de memoria.

Ajustes iniciales y dos destilaciones diferentes

HunyuanVideo 1.5 ofrece valores específicos por checkpoint. Comprueba el enlace real de descarga: que una configuración aparezca en una tabla no demuestra que sus pesos estén publicados.

Destilación CFG no significa destilación de pasos. Los checkpoints CFG destilados mantienen 50 pasos en la referencia oficial. El I2V 480p destilado en pasos usa 8 o 12; cuatro sacrifica más calidad. Aplicar el mismo ajuste a todos puede producir una comparación equivocada.

Cambia una optimización cada vez. Registra archivo, precisión, caché, dimensiones, fotogramas, semilla y versión. Si una aceleración empeora el resultado, restaura una referencia conocida antes de añadir otra.

ComfyUI y prompts útiles en español

Parte de la plantilla oficial ComfyUI del modo correcto. Además del generador, hacen falta Qwen2.5-VL / ByT5 y VAE; I2V añade un codificador visual y su checkpoint. Descargar solo el denoiser no completa la instalación.

Para I2V, elige una imagen limpia con proporción adecuada y pide el cambio temporal: «La persona adulta gira ligeramente hacia la ventana, parpadea una vez y mantiene las manos quietas; cámara fija». Una descripción larga de lo ya visible puede ocultar la acción solicitada.

Para T2V, especifica sujeto, lugar, acción, cámara y luz: «Un tren rojo avanza lentamente junto a un lago de montaña al anochecer; la cámara lo sigue desde la orilla en un único plano continuo, con reflejos estables y luz natural azulada».

La fortaleza lingüística documentada es chino/inglés. Si español omite un movimiento, compara una traducción fiel al inglés. Añade subtítulos, tildes y texto exacto en posproducción. Revisa si la expansión automática inventa acciones y si el servicio de reescritura envía datos fuera de tu equipo.

Pesos gratuitos frente al coste por toma aprobada

El uso local evita una tarifa de alojamiento por clip, pero conserva costes de equipo, almacenamiento, electricidad, instalación y descartes. Una GPU alquilada también consume tiempo al cargar y transferir.

El 23 de octubre, fal indica 0,075 US$ por segundo de salida para este endpoint T2V, con sus propios límites de 480p y fotogramas. Cinco segundos facturables serían 0,375 US$. El máximo de la familia no es automáticamente el máximo del servicio.

Diez intentos de cinco segundos suman unos 3,75 US$ a esa tarifa. Si solo uno sirve, ese es el componente de generación de una toma aceptada. Confirma región y contrato; una etiqueta comercial no resuelve la autorización comunitaria.

Licencia territorial, uso comercial y NSFW

La Tencent Hunyuan Community License excluye la UE, Reino Unido y Corea del Sur. No presupongas autorización adicional para tu despliegue. En las demás ubicaciones, revisa términos, referencias y derechos del resultado: pesos descargables no significan licencia sin condiciones.

Distingue comportamiento NSFW del modelo, moderación de la interfaz y uso permitido. No hay promesa de generación explícita fiable ni autorización para quitar salvaguardas. Este análisis no asigna puntuaciones a contenido explícito.

Para clientes, conserva permisos de imágenes, rostros y versión del modelo. Comprueba especialmente cómo se presentará una actuación I2V que pueda confundirse con una grabación real.

Qué dicen los usuarios y qué no demuestra

En Reddit hay elogios al seguimiento de instrucciones y la animación estilizada, junto con críticas a física, cámara, VAE y ecosistema de adaptaciones frente a Wan. Son experiencias de configuraciones distintas, no consenso medido.

Una Reddit de noviembre de 2025 corrigió expresamente un ensayo con ajustes equivocados. Sirve para entender sensibilidad al flujo, no para declarar un vencedor. Un comentario antiguo sobre falta de soporte de entrenamiento tampoco invalida código publicado después.

Prueba tu toma con el checkpoint correcto y compara la tasa de aceptación con tu herramienta habitual. Una anécdota de poca VRAM no garantiza el mismo resultado en tu ordenador.

Cuándo conservarlo y cuándo comparar otra solución

Tiene sentido si control local, adaptación y clips silenciosos cortos son prioritarios. Si ya cuentas con un flujo Wan y las adaptaciones necesarias, compara tiempo total hasta una toma aceptable antes de migrar.

Para servicios alojados, consulta Kling 4.0 y Seedance 2.5. Revisa duración, referencias, audio, acceso regional y precio para tu cuenta. Los competidores históricos del artículo técnico no sustituyen esta comparación actual.

Evalúa cuatro encargos con materiales equivalentes: giro suave de rostro, mano con objeto, cámara lateral e ilustración animada. Cuenta reintentos y acabado en el mismo tamaño final, en lugar de enfrentar vídeos promocionales sin relación.

Preguntas antes de descargar o pagar

¿Sigue mereciendo una prueba?

Sí para un usuario autorizado que necesita una base local adaptable y sin sonido. El valor depende de tus tomas y del mantenimiento que aceptes; no es el camino más directo a un anuncio hablado completo.

¿Funciona con 8 o 12 GB?

Existen configuraciones comunitarias menores, distintas del mínimo oficial con offloading. Comprueba receta completa, GPU y fotogramas; espera compromisos de resolución, precisión, transferencias o tiempo.

¿Es 1080p o 4K nativo?

El flujo revisado genera 480p o 720p y puede añadir SR a 1080p. Ampliar después a 4K no acredita detalle nativo; revisa la salida intermedia.

¿Genera diálogo sincronizado?

El modelo principal no suministra la pista sincronizada. Avatar es otro proyecto con entrada de audio y configuración propia. Elige por la actuación necesaria, no solo por el apellido Hunyuan.

¿Puedo entrenar o reutilizar LoRA?

Hay scripts oficiales de entrenamiento y LoRA. Los del modelo original u otra familia no son automáticamente compatibles; arquitectura y tarea deben coincidir. Memoria de inferencia no equivale a memoria de entrenamiento.

¿Por qué bajar pasos empeora el vídeo?

Puede haberse mezclado CFG destilado con pasos destilados o un acelerador inadecuado. Recupera la referencia oficial del checkpoint y modifica una opción cada vez.

Balance: una base útil que requiere decisiones de producción

Conviene entender 1.5 como base configurable, no como estudio terminado. Pesos, T2V, I2V y adaptación local son ventajas; sonido, física, recursos del conjunto y acceso condicionan el resultado.

Aclara autorización y produce un pequeño conjunto controlado antes de comprar hardware o saldo. Si aceptación y acabado encajan, puede ser útil. Si instalación o audio dominan la tarea, compara un servicio integrado antes de decidir por parámetros.

Alcance y fuentes

Análisis editorial de documentación, activos publicados e informes de usuarios atribuidos; no afirmamos haber realizado un benchmark GPU propio. Las cifras del fabricante se identifican como tales y la portada es ilustración conceptual, no salida de prueba.

Referencias principales: HunyuanVideo 1.5, Hugging Face, HunyuanVideo 1.5 Technical Report, ComfyUI, HunyuanVideo 1.5, Tencent Hunyuan Community License y fal. Contexto: Yicai Global. Experiencias: Reddit y Reddit. Comprobación de disponibilidad y precios: 23 de octubre de 2026; prevalecen las condiciones vigentes.