使用HunyuanVideo搭建文本生视频大模型

1.摘要

HunyuanVideo是一个全新的开源视频基础模型，其视频生成性能堪比领先的闭源模型，甚至超越它们。我们采用了多项模型学习的关键技术，通过有效的模型架构和数据集扩展策略，我们成功训练了一个拥有超过 130 亿个参数的视频生成模型，使其成为所有开源模型中规模最大的模型。

部署环境为：linux服务器，GPU大小为64G。

2. 安装

2.1 下载项目代码

git clone https://github.com/tencent/HunyuanVideo

cd HunyuanVideo

2.2 linux 环境部署

#1. Create conda environment

conda create -n HunyuanVideo python==3.10.9

# 2. Activate the environment

conda activate HunyuanVideo

# 3. Install PyTorch and other dependencies using conda

# For CUDA 11.8

conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=11.8 -c pytorch -c nvidia

# For CUDA 12.4

conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=12.4 -c pytorch -c nvidia

conda install pytorch-cuda -c pytorch -c nvidia

# 4. Install pip dependencies

python -m pip install -r requirements.txt

# 5. Install flash attention v2 for acceleration (requires CUDA 11.8 or above)

python -m pip install ninja

python -m pip install git+https://github.com/Dao-AILab/flash-attention.git@v2.6.3

# 6. Install xDiT for parallel inference (It is recommended to use torch 2.4.0 and flash-attn 2.6.3)

python -m pip install xfuser==0.4.0

2.3 模型下载

https://huggingface.co/tencent/HunyuanVideo/tree/refs%2Fpr%2F18

• 需要下载hunyuan-video-t2v-720p，text_encoder，text_encoder_2，tokenizer，tokenizer_2这5个。
• 下载完成以后需要把tokenizer里面的内容放到text_encoder内。需要把tokenizer_2里面的内容放到text_encoder_2内。

cp tokenizer/* text_encoder

cp tokenizer_2/* text_encoder_2

• 把hunyuan-video-t2v-720p，text_encoder，text_encoder_2放到目录HunyuanVideo/ckpts下面：
• 目录结构：

3. 生成视频

3.1 本地生成

cd HunyuanVideo

CUDA_VISIBLE_DEVICES=0 python sample_video.py \

       --video-size 544 544 \

       --video-length 129 \

       --infer-steps 50 \

       --prompt "A cat walks on the grass, realistic style." \

       --flow-reverse \

       --use-cpu-offload \

       --save-path ./results

文本生成视频成功，视频时长5秒，生成用时18分钟。

生成的视频在results目录下面：

最后去掉引号：

mv '2025-04-25-12:40:56_seed293232_A cat walks on the grass, realistic style..mp4' cat.mp4

3.2 运行Gradio Server

3.2.1 启动服务

Python gradio_server.py --flow-reverse

由于本机端口占用，所以我把端口改成了8881.

运行成功：

3.2.2 网页生成视频

由于GPU才64G，所以Number of Inference Steps设置为20。

3.3 参数详解

4. 可能遇到的问题及解决方法

4.1 问题1

TypeError: argument of type 'bool' is not iterable

ValueError: When localhost is not accessible, a shareable link must be created. Please set share=True or check your proxy settings to allow access to localhost.

解决方案：

pydantic这个包版本的问题，退回2.10.6版本即可 pip install pydantic==2.10.6，完美解决。

4.2 问题2

RuntimeError: Unable to find a valid cuDNN algorithm to run convolution

解决方案：

在gradio_server.py中增加以下代码：

import torch

torch.backends.cudnn.benchmark = True

4.3 问题3 

ffmpy.ffmpy.FFExecutableNotFoundError: Executable 'ffprobe' not found

解决方案：

sudo apt-get install ffmpeg