混元文生视频能做的事，说清楚只有一句：把你写的一段描述，变成5 秒、129 帧的画面。开源版 HunyuanVideo 有 130 亿参数，支持 540p 与 720p 两档分辨率，720p 推荐 720×1280。它不负责成片，也不负责剧本——理解这一点，后面所有选择都会变简单：你是在采购素材，不是在交付作品。
先分清：文生和图生是两个仓库
很多人以为这是一个模型的两个模式，实际在开源层面是两套权重：主仓库 HunyuanVideo 是文生视频（Text-to-Video），图生视频由独立的 HunyuanVideo-I2V 仓库提供，后者基于前者发布。部署时下载哪个，取决于你手里有没有参考图。
选择逻辑还是看你能不能描述最终画面。能说清「长什么样」，用图生，可控性明显高于纯文字；只能说清「想要什么感觉」，先用文生跑几版找参照，挑中意的那张再拿去做图生。这个两步走比一次性写一大段描述更容易出可用的东西。
还有一条边界：图生视频的画面精度受源图限制。源图本身模糊、构图太满、主体太小，动起来之后问题会被放大。选源图的标准是主体清晰、背景干净、有可动的元素。
5 秒能装什么
时长固定 5 秒，这条规格直接决定了内容能装多少。一个片段讲一件事，想讲三件事就生成三段再拼。把三个动作塞进一条描述，常见结果是每个动作都没做完整。
更关键的是叙事单位：5 秒装不下完整故事，能装下的是一次明确的变化——门从关到开、人物从背身到回头、云从遮日到散开。写描述时先想清楚「这 5 秒里发生了哪一次变化」，比想「这个画面好不好看」有用。
提示词拆成四段
视频比图片多两个维度：时间与运动。落到写法上，拆成四段比较稳：主体是什么、主体在做什么、镜头怎么运动、画面什么风格。四段齐全，结果有明确走向；缺一段，模型就在那一维上自由发挥。
主体要写到可辨识。「一个女孩」不如「一个穿深色外套的女孩，站在便利店门口」。动作要写到有起止。「走路」不如「从画面左侧走入，停在门口抬头看招牌」。镜头要写到有方向。「镜头缓慢推进」比「电影感」有效，因为前者是可执行的指令，后者是评价。
风格段可以短，但要具体：光线、色调、质感。逆光、冷调、颗粒感这类词能落到画面上，高级、大片这类词落不下去。同一个风格短语在多条描述里逐字复用，是后面保住一致性的基础。
时间维度：写变化，不写状态
「在转动」是一个状态，「从静止到缓缓转动」是一个过程。后者给了起点和终点，画面才有推进感。这条规则在 129 帧的长度里尤其明显：帧数固定，写作的重点就从「描述得多细」转成「变化有多明确」。
自己跑要什么显卡
官方给的门槛很硬：720p（720×1280×129 帧）至少需要 60GB 显存，540p（544×960×129 帧）至少 45GB，官方推荐 80GB 以获得更好画质。用 FP8 量化权重可以再省约 10GB。
换句话说，消费级单卡跑不动 720p。三条可行路径：降到 540p 并接受画质损失、用多卡或云上 80GB 卡、或者干脆用提供的 API 而不本地部署。先算清这条成本，再决定要不要走开源自建——
混元文生视频速查
- 规格：5 秒、129 帧、540p 或 720p（推荐 720×1280）
- 文生与图生是两个仓库：HunyuanVideo 与 HunyuanVideo-I2V
- 显存门槛：720p 至少 60GB，540p 至少 45GB，推荐 80GB
- FP8 量化权重可再省约 10GB
- 四段式：主体、动作、镜头、风格
- 写变化不写状态，一个片段只讲一件事
常见问题
- 怎么拼成一条长视频？按片段生成，每段 5 秒，段与段之间用相同的风格短语保持一致；需要动作连贯时，把上一段的末帧作为下一段的首帧，再用 I2V 仓库生成。
- 能生成 1080p 吗？官方列出的分辨率档位是 540p 与 720p 两组，各含 9:16、16:9、4:3、3:4、1:1 五种画幅，未列出 1080p。需要更高分辨率时，常规做法是生成后放大，而不是让模型直出。
- 和可灵那类产品有什么不同？这里说的是开源权重，你自己部署、自己承担算力成本，换来的是可改、可私有化；产品化的视频工具按次计费、开箱即用，但规格由平台定。两条路的成片流程可以对照可灵怎么做视频一篇。
更多同类工具与教程在AI 工具教程栏目。
信息来源
- HunyuanVideo 开源仓库（github.com/Tencent/HunyuanVideo）：130 亿参数、540p/720p 分辨率档位与画幅、129 帧与 5 秒时长、显存门槛 60GB/45GB 与推荐的 80GB、FP8 量化节省约 10GB、HunyuanVideo-I2V 为独立仓库，核对时间 2026 年 11 月；
- 站内条目：腾讯混元（工具页）。
