混元 Video 模型自发布以来，已成为目前效果最好的开源文生视频模型，然而，这个模型极为高昂的硬件需求让大多数玩家望而却步。魔搭社区的开源项目 DiffSynth-Studio 近期为混元 Video 模型提供了更高效的显存管理的支持，目前已支持使用24G显存进行无任何质量损失的视频生成，并在极致情况下，用低至 6G 的显存运行混元 Video 模型！
模型官网：
https://aivideo.hunyuan.tencent.com/
魔搭社区模型链接：
https://modelscope.cn/models/AI-ModelScope/HunyuanVideo
开源项目 DiffSynth-Studio 链接：
https://github.com/modelscope/DiffSynth-Studio
01.样例展示
先来看几个由 混元 Video 模型，在DiffSynth-Studio 引擎上基于无损的优化实现，在仅占用24G显存的情况下生成的视频！
活泼可爱的动物：
https://developer.aliyun.com/live/254774?spm=a2c6h.26396819.creator-center.22.404f3e184PVTfF
精细的人像：
复杂的多人场景：
大幅度的运镜：
呼之欲出的画作：
02.显存管理
编辑
混元 Video 模型沿用了自 Latent Diffusion 以来的经典“三段式”模型结构，包括 Text encoder、DiT、VAE。这三部分是按顺序调用的，所以我们可以进行 offload，在不调用模型时将其从显存中移动到内存中。但只做 offload 是远远不够的，我们还需要对每一个模块进行优化。
VAE
编辑
显存的第一个瓶颈在 VAE。VAE 部分基于 CausalConv3D 构建，这个结构与 OpenSoraPlan、CogVideoX 非常相似。在空间维度上，每个 8*8 的区域合并成一组向量；在时间维度上，把第一帧单独编码，其后的每 4 帧压缩成一组向量。
CogVideoX 的实践经验表明，以滑动窗口的方式进行 VAE 编解码不会对结果产生明显影响，但能够显著减少显存需求。以 129 帧 720P 视频为例，不开启滑动窗口时，80G 显存也无法进行推理，当滑动窗口大小为 17*16*16（对应 65 帧 128*128 分辨率的视频）时，显存需求可以降低到 6G。这部分优化在官方原版代码中已经实现，我们在 DiffSynth-Studio 中进行了重构以便更方便地控制窗口大小和步长。
DiT
编辑
显存的第二个瓶颈在 DiT 部分，模型的参数量非常大，视频的向量表示也很大，所以我们做了非常激进的显存管理策略——逐个 Layer offload。把整个 DiT 模型放在内存中，在每个 Layer 推理时临时加载进显存，这样一来模型所占的显存几乎可以忽略不计。在大部分模型上，这种激进的显存管理策略会显著增加推理时间，但对于混元 DiT 模型来说，模型本身前向推理一次就需要 60s（A100 上的测试结果），显存管理只会增加约 3s 的推理时间，这部分时间完全可以接受。DiT 的优化足以把显存需求降低到 24G。
Text Encoder
129 帧 720P 视频的显存优化已经接近极限，但我们也注意到近期开源社区中出现的在低分辨率下训练的 LoRA 模型。混元 Video 模型在低分辨率下的效果并不好，但是这些 LoRA 可以很好地改善模型在低分辨率下的效果。例如 WalkingAnimation（可在 CivitAI：https://civitai.com/models/1032126/walking-animation-hunyuan-video 或魔搭社区：https://modelscope.cn/models/AI-ModelScope/walking_animation_hunyuan_video/summary下载），其训练分辨率为 512*384。在这个分辨率下，显存的第三个瓶颈出现在 Text Encoder 上。
编辑
混元 Video 的 Text Encoder 有两个——CLIP 和 LLaVA，其中 CLIP 所需的显存很小，但 LLaVA 作为一个 LLM，需要至少 16G 显存。与 DiT 类似，我们在 LLaVa 上也进行逐个 Layer offload，成功将其显存需求降低到 6G 以内。
03.代码样例
首先 clone 并安装 DiffSynth-Studio：https://github.com/modelscope/DiffSynth-Studio
git clone https://github.com/modelscope/DiffSynth-Studio.git cd DiffSynth-Studio pip install -e .
我们提供了三种显存限制下的样例脚本，用于应对不同的硬件限制。
80G
代码链接
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/HunyuanVideo/hunyuanvideo_80G.py
运行命令：
python examples/HunyuanVideo/hunyuanvideo_80G.py
帧数：129
分辨率：720*1280
对于 A100 和 H100 等大显存 GPU，无需显存管理。我们把原版模型代码中的 flash attention 替换为了 torch 的 scaled_dot_product_attention，这个函数会自动根据硬件选择最佳的注意力机制实现。以下是这个脚本生成的视频：
24G
代码链接
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/HunyuanVideo/hunyuanvideo_24G.py
运行命令：
python examples/HunyuanVideo/hunyuanvideo_24G.py
帧数：129
分辨率：720*1280
这个脚本启用了本文中提到的所有显存管理。由于没有使用模型量化，所以不存在任何量化误差，生成的视频与脚本hunyuanvideo_80G.py完全一致。
6G
代码链接
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/HunyuanVideo/hunyuanvideo_6G.py
运行命令：
python examples/HunyuanVideo/hunyuanvideo_6G.py
帧数：129
分辨率：512*384
这个脚本使用了 WalkingAnimation（可在 CivitAI 或魔搭社区下载）这个 LoRA 来改善混元 Video 底模在低分辨率下的效果。这个 LoRA 可以生成各种人物的行走动作。通过在代码中修改 prompt，我们可以生成各种动漫角色行走动作的视频，以下是这个脚本生成的视频：
此外，我们还额外提供了视频生视频的功能。
代码链接：
运行命令：
python examples/HunyuanVideo/hunyuanvideo_v2v_6G.py
帧数：129
分辨率：512*384
使用这个脚本可以实现视频编辑，例如把以下视频中角色的衣服颜色修改为紫色，所需的显存仍然是 6G。
点击链接阅读原文：腾讯混元视频生成HunyuanVideo
