HunyuanVideo-I2V

HunyuanVideo-I2Vは、TencentのHunyuanチームが2025年3月に公開した画像から動画へのAIモデルだ。ホスティングサービスとは違い、ダウンロードするモデルファミリーである。PyTorchの定義、学習済みウェイト、サンプリングコードが揃い、すべてTencent Hunyuan Community Licenseの下にある。魅力は制御にある。パイプラインは自分のもので、ハードウェア上で何を動かすかも自分で決められ、生成回数を課金されることもない。

これは特定の問題を解決する。テキストから動画へのモデルは、思い描いた映像から外れがちだ。言葉で場面を表すのは曖昧だからである。画像から始めればその曖昧さが消える。出力は参照フレームの被写体、照明、構図を保ち、その上に動きを加える。製品写真、ポートレート、コンセプトアートを動かすとき、この点が効いてくる。

難点はハードウェアだ。130億パラメータのモデルで、720pのパイプラインは大量のVRAMを求める。コミュニティの報告では実用上の下限は45から60GBあたりで、Tencent自身のガイドは最も滑らかな実行に80GBのカードを挙げている。量子化ウェイトはその壁を下げるが、ノートPCの領域までは下がらない。ゲーミングPCがある？ それでは足りない。データセンター向けのGPUがなければ、カードを買うよりクラウドの計算資源を借りたほうがいい。

はじめ方

1. 公式のGitHubリポジトリをクローンしてPython環境を整え、requirements.txtに載っている依存関係をインストールする。
2. Hugging Face（tencent/HunyuanVideo-I2V）からモデルウェイトをckptsフォルダにダウンロードするか、huggingface-cliツールで取得する。
3. 参照画像、望む動きを書いたテキストプロンプト、解像度設定を指定して、付属の推論スクリプトを実行する。
4. サンプリング処理が終わるのを待ち、出力された動画を確認する。動きが思い通りでなければプロンプトやシードを調整する。
5. 繰り返し使いたい効果やスタイルがあれば、自分のクリップでLoRAを微調整してもよい。