आपके पास एक शानदार फ़ोटो है और आप चाहते हैं कि वह चले। बालों में हल्की हवा, किनारे की ओर बढ़ती लहरें, या विषय के चेहरे की ओर धीरे-धीरे बढ़ता कैमरा। Hunyuan इमेज-टू-वीडियो ठीक यही वादा करता है: आप मॉडल को एक स्थिर फ़्रेम देते हैं, एक छोटा टेक्स्ट प्रॉम्प्ट जोड़ते हैं, और वह आपकी तस्वीर से शुरू होने वाली क्लिप लौटाता है। पेच यह है कि मॉडल की लंबाई, रिज़ॉल्यूशन और हार्डवेयर पर सख़्त सीमाएँ हैं, और ज़्यादातर लोग इन्हें तब जानते हैं जब एक शाम असफल इंस्टॉल में बर्बाद हो चुकी होती है।
यह लेख बताता है कि मॉडल असल में क्या करता है, आपकी क्लिप कितनी लंबी हो सकती है, कौन-सी सेटिंग्स मायने रखती हैं, और कौन-से प्रॉम्प्ट पिघलते चेहरों की जगह साफ़ मोशन देते हैं। यह "मुफ़्त ऑनलाइन" वाले सवाल पर भी ईमानदारी से बात करता है, क्योंकि जवाब किसी एक वेबसाइट जितना सरल नहीं है।
💡 त्वरित उत्तर: Hunyuan के लिए Tencent का इमेज-टू-वीडियो मॉडल 720p तक और 129 फ़्रेम तक आउटपुट देता है, जो लगभग 5 सेकंड के बराबर है। डिफ़ॉल्ट रेसिपी 50 इनफ़रेंस स्टेप्स इस्तेमाल करती है। इसे लोकल चलाने के लिए बहुत बड़ा GPU चाहिए, इसलिए ज़्यादातर लोग होस्टेड टूल इस्तेमाल करते हैं।
Hunyuan इमेज-टू-वीडियो क्या करता है
Hunyuan, Tencent का वीडियो मॉडल परिवार है। मूल टेक्स्ट-टू-वीडियो रिलीज़ के बाद इमेज-टू-वीडियो वर्ज़न आया, जिसे आम तौर पर HunyuanVideo-I2V लिखा जाता है। केवल शब्दों से दृश्य गढ़ने के बजाय I2V मॉडल आपकी तस्वीर को पहले फ़्रेम के रूप में लेता है और आगे क्या होगा, उसका अनुमान लगाता है।

मॉडल आपकी फ़ोटो को कैसे पढ़ता है
मॉडल आपकी इमेज को आधार मानता है। सब्जेक्ट, रंग, रोशनी और कंपोज़िशन फ़ोटो से आते हैं। प्रॉम्प्ट केवल मोशन का वर्णन करता है: क्या चलता है, कितनी तेज़ी से, और कैमरा क्या करता है। इसीलिए अक्सर छोटा प्रॉम्प्ट लंबे प्रॉम्प्ट से बेहतर होता है। अगर आप वे चीज़ें दोबारा बताते हैं जो तस्वीर में पहले से दिख रही हैं, तो मॉडल के लिए आपकी मूल तस्वीर से भटकने के मौके बढ़ जाते हैं।
तीन चीज़ें लगभग हर बार फ़ोटो से वीडियो में बिना बिगड़े पहुँचती हैं:
- पहचान: चेहरे, कपड़े और वस्तुएँ पहले सेकंड में स्रोत के काफ़ी करीब रहते हैं।
- रोशनी की दिशा: बाईं ओर की खिड़की बाईं ओर की खिड़की ही रहती है।
- फ़्रेमिंग: शुरुआती कंपोज़िशन आपकी इमेज से मेल खाती है।
जो भरोसे के साथ बिना बिगड़े नहीं पहुँचता, वह क्लिप का आख़िरी सेकंड है। मोशन बढ़ने पर चेहरे धुंधले हो सकते हैं और हाथ विकृत हो सकते हैं, इसलिए छोटा और शांत मोशन आम तौर पर बेहतर दिखता है।
आज मॉडल कहाँ खड़ा है
इमेज-टू-वीडियो मॉडल के ओपन वेट्स Tencent से उपलब्ध हैं, इसलिए पर्याप्त हार्डवेयर वाला कोई भी इसे चला सकता है। एक नया HunyuanVideo 1.5 परिवार भी मौजूद है, जिसमें अपना इमेज-टू-वीडियो वेरिएंट और अलग रिज़ॉल्यूशन प्रीसेट हैं। इन्हें अलग मॉडल मानें, जिनकी सीमाएँ अलग हैं। इस लेख के आँकड़े मूल HunyuanVideo-I2V रिलीज़ से जुड़े हैं।
💡 उपलब्धता नोट: HunyuanVideo-I2V PicassoIA पर उपलब्ध नहीं है। आगे आपको उन इमेज-टू-वीडियो मॉडल के साथ मिलते-जुलते नतीजे पाने का एक सेक्शन मिलेगा जो प्लेटफ़ॉर्म पर मौजूद हैं।
क्या आप इसे मुफ़्त ऑनलाइन इस्तेमाल कर सकते हैं?
संक्षिप्त जवाब: वेट्स मुफ़्त हैं, कंप्यूट मुफ़्त नहीं है। "मुफ़्त ऑनलाइन" आम तौर पर इन तीन में से किसी एक का मतलब होता है।
खुद चलाएँ
चूँकि मॉडल ओपन है, आप इसे डाउनलोड करके अपनी मशीन पर चला सकते हैं। आधिकारिक सेटअप में बैच साइज़ एक पर 720p जेनरेशन के लिए लगभग 60 GB GPU पीक मेमोरी दी गई है। यह सामान्य गेमिंग कार्ड की पहुँच से बाहर है। मेमोरी घटाने वाले कम्युनिटी बिल्ड भी हैं, पर वे उसके बदले स्पीड या क्वालिटी से समझौता करते हैं, और सेटअप में Python एनवायरनमेंट, मॉडल फ़ाइलें और कमांड लाइन फ़्लैग शामिल होते हैं।

होस्टेड सेवाएँ
कई होस्टिंग प्लेटफ़ॉर्म मॉडल को API या वेब फ़ॉर्म के ज़रिए देते हैं। वे आम तौर पर कुछ मुफ़्त क्रेडिट देते हैं, फिर प्रति क्लिप शुल्क लेते हैं। डिफ़ॉल्ट आधिकारिक आँकड़ों जैसे रहते हैं: 129 फ़्रेम और 720p। कीमतें और मुफ़्त सीमाएँ अक्सर बदलती हैं, इसलिए क्लिप का बैच बनाने से पहले मौजूदा आँकड़े ज़रूर जाँच लें।
PicassoIA इसके बदले क्या देता है
PicassoIA पर Hunyuan Video नाम का मॉडल है। यहाँ सावधान रहें: यह टेक्स्ट-टू-वीडियो मॉडल है। यह इनपुट इमेज नहीं लेता, इसलिए यह वह I2V मॉडल नहीं है जिस पर यह लेख है। फिर भी, अगर आप देखना चाहते हैं कि Hunyuan परिवार केवल प्रॉम्प्ट से मोशन कैसे संभालता है, तो यह उपयोगी है।
| विकल्प | GPU चाहिए | इमेज इनपुट | सेटअप समय |
|---|
| लोकल HunyuanVideo-I2V | हाँ, लगभग 60 GB पीक | हाँ | घंटे |
| होस्टेड I2V API | नहीं | हाँ | मिनट, प्रति-क्लिप लागत |
| PicassoIA पर Hunyuan Video | नहीं | नहीं (केवल टेक्स्ट) | सेकंड |
| PicassoIA पर इमेज-टू-वीडियो मॉडल | नहीं | हाँ | सेकंड |
लंबाई और रिज़ॉल्यूशन की सीमाएँ
ज़्यादातर ट्यूटोरियल यही हिस्सा छोड़ देते हैं, इसलिए यहाँ आँकड़े साफ़ तौर पर दिए गए हैं।
129 फ़्रेम, लगभग 5 सेकंड
आधिकारिक रिलीज़ अधिकतम 129 फ़्रेम जेनरेट करती है। इस मॉडल परिवार की फ़्रेम संख्या 4k+1 नियम का पालन करती है, इसलिए वैध मानों में 49, 81, 97 और 129 शामिल हैं। लगभग 24 फ़्रेम प्रति सेकंड पर 129 फ़्रेम आपको लगभग 5 सेकंड देते हैं। कुछ होस्ट 25 fps बताते हैं, जो रनटाइम में एक सेकंड का छोटा-सा फ़र्क डालता है। दोनों तरह, 5 सेकंड को अधिकतम सीमा मानकर योजना बनाएँ।

लंबा सीन चाहिए? कई 5 सेकंड की क्लिप बनाएँ और उन्हें जोड़ दें। क्लिप एक का आख़िरी फ़्रेम क्लिप दो के लिए स्रोत इमेज की तरह लें। अगर रोशनी बदलती है तो जोड़ दिखेंगे, इसलिए कैमरा मूव सरल रखें।
720p की सीमा और हार्डवेयर
आधिकारिक अधिकतम 720p है। इससे ज़्यादा माँगने पर असली डिटेल नहीं बढ़ती। अगर आपको तेज़ आउटपुट चाहिए, तो 720p पर जेनरेट करें और बाद में नतीजे को अपस्केलर से चलाएँ। PicassoIA इसी चरण के लिए सुपर रिज़ॉल्यूशन और वीडियो एन्हांसमेंट टूल सूचीबद्ध करता है।
| सीमा | आधिकारिक मान |
|---|
| अधिकतम रिज़ॉल्यूशन | 720p |
| अधिकतम फ़्रेम | 129 |
| अनुमानित अवधि | 5 सेकंड |
| डिफ़ॉल्ट इनफ़रेंस स्टेप्स | 50 |
| 720p पर GPU पीक मेमोरी | लगभग 60 GB |
| फ़्रेम रेट | होस्ट के अनुसार लगभग 24 से 25 fps |
💡 मोटा नियम: हर अतिरिक्त फ़्रेम समय और मेमोरी लेता है। 49 फ़्रेम का ड्राफ़्ट 129 फ़्रेम के रेंडर के आधे से भी कम समय में पूरा हो जाता है, इसलिए कंपोज़िशन पहले छोटा टेस्ट करें, फिर लंबा रेंडर करें।
सेटिंग्स जो नतीजा बदलती हैं
चाहे आप लोकल सेटअप इस्तेमाल करें या ऐसा होस्ट जो विकल्प देता है, ये नियंत्रण ज़्यादातर काम करते हैं।

इनफ़रेंस स्टेप्स
डिफ़ॉल्ट 50 है। 25 या 30 पर जाने से तेज़ ड्राफ़्ट मिलता है, जिसमें डिटेल नरम होती है और कभी-कभी फ़्लिकर ज़्यादा होता है। 50 से ऊपर जाना शायद ही फ़ायदेमंद होता है। प्रॉम्प्ट टेस्ट करते समय कम स्टेप्स इस्तेमाल करें, फिर विजेता को 50 पर दोबारा रेंडर करें।
वीडियो की लंबाई
कम फ़्रेम का मतलब है कि मोशन के भटकने के लिए कम समय। पोर्ट्रेट के लिए 49 से 81 फ़्रेम अक्सर पूरे 129 से ज़्यादा साफ़ दिखते हैं। लैंडस्केप, बादल और पानी के लिए पूरी लंबाई आम तौर पर ठीक रहती है, क्योंकि गलतियाँ पकड़ना मुश्किल होता है।
सीड और गाइडेंस
एक समय में एक चीज़ बदलते हुए सीड फ़िक्स्ड रखें। अगर आप प्रॉम्प्ट और सीड एक साथ बदलते हैं, तो पता नहीं चलेगा कि कौन-सा बदलाव फ़र्क लाया। एम्बेडेड गाइडेंस वैल्यू बताती है कि आउटपुट आपके प्रॉम्प्ट का कितनी सख़्ती से पालन करेगा। PicassoIA पर टेक्स्ट-टू-वीडियो Hunyuan मॉडल का डिफ़ॉल्ट 6 है, जो I2V के लिए भी एक समझदार शुरुआती बिंदु है।
| सेटिंग | ड्राफ़्ट मान | फ़ाइनल मान |
|---|
| स्टेप्स | 25 से 30 | 50 |
| फ़्रेम | 49 | 97 या 129 |
| रिज़ॉल्यूशन | 480p | 720p |
| सीड | फ़िक्स्ड | फ़िक्स्ड |
| गाइडेंस | 6 | 5 से 7 |
काम करने वाले प्रॉम्प्ट
चूँकि सीन पहले से तस्वीर में है, आपका प्रॉम्प्ट विवरण के बजाय एक डायरेक्टर के नोट जैसा पढ़ना चाहिए।

प्रॉम्प्ट फ़ॉर्मूला
यह क्रम इस्तेमाल करें: सब्जेक्ट की क्रिया, फिर कैमरा मूव, फिर माहौल।
The woman turns her head slowly toward the window and smiles, slow dolly in, soft morning light, a light breeze moves her hair.
इसे एक या दो वाक्यों में रखें। हर क्लिप में एक साफ़ क्रिया सबसे अच्छे नतीजे देती है।
कॉपी करने लायक प्रॉम्प्ट
- पोर्ट्रेट: She blinks, lifts her chin slightly and looks into the lens, very slow push in, soft window light.
- लैंडस्केप: Waves roll gently toward the shore, mist drifts across the cliffs, locked camera, golden hour.
- स्ट्रीट: A cyclist passes through the frame from left to right, pedestrians walk in the background, handheld feel.
- प्रोडक्ट: Steam rises from the coffee cup, camera orbits a few degrees to the right, warm side light.
- क्राफ़्ट: Hands shape the wet clay, the wheel spins steadily, shallow focus, quiet workshop.
- प्रकृति: Fog slides between the pine trunks, leaves tremble, slow tilt upward.

3 आम गलतियाँ
- क्रियाएँ जोड़ना। "She walks, dances, waves and spins" से धुंधला, उलझा नतीजा बनता है। एक ही मोशन चुनें।
- फ़ोटो को दोबारा बताना। अगर प्रॉम्प्ट में पोशाक और कमरा फिर से लिखे गए हैं, तो आप शब्द बर्बाद करते हैं और भटकाव को न्योता देते हैं।
- कमज़ोर इमेज से शुरू करना। धुंधली, ज़्यादा क्रॉप की गई या कम कंट्रास्ट वाली फ़ोटो से धुंधला वीडियो बनता है। साफ़ सब्जेक्ट-अलगाव वाले शार्प स्रोत से शुरू करें।

💡 सबसे अच्छी स्रोत इमेज: ऐसे सब्जेक्ट जिनमें स्वाभाविक, छोटा मोशन हो, जैसे काम करते हाथ, कपड़ा, बाल, पानी, भाप और धुंध। तेज़ खेल-कूद और कई चेहरों वाले भीड़-भरे दृश्य सबसे कठिन होते हैं।
PicassoIA पर मिलते-जुलते नतीजे कैसे पाएँ
चूँकि HunyuanVideo-I2V PicassoIA पर नहीं है, उसी काम के लिए सबसे करीबी विकल्प Wan 2.5 I2V है। यह भी प्रॉम्प्ट से एक फ़ोटो को एनिमेट करता है, और इसे बिना किसी हार्डवेयर के ब्राउज़र में चलाया जा सकता है।

चरण-दर-चरण
- PicassoIA पर Wan 2.5 I2V पेज खोलें।
- इमेज फ़ील्ड में अपनी स्रोत इमेज अपलोड करें। साफ़ सब्जेक्ट वाली शार्प फ़ोटो चुनें।
- ऊपर दिए फ़ॉर्मूले के अनुसार एक छोटा मोशन प्रॉम्प्ट लिखें: क्रिया, कैमरा मूव, माहौल।
- 5 या 10 सेकंड की अवधि चुनें।
- 480p, 720p या 1080p का रिज़ॉल्यूशन चुनें।
- चाहें तो नेगेटिव प्रॉम्प्ट जोड़ें, जैसे "distorted face, flicker, extra fingers"।
- जेनरेशन चलाएँ और क्लिप देखें। अगर मोशन गलत है, तो केवल प्रॉम्प्ट बदलें और सीड वही रखें।
पैरामीटर टिप्स
- 720p, 5 सेकंड से शुरू करें। यह Hunyuan की सीमाओं से मेल खाता है, इसलिए आपके प्रॉम्प्ट बिना बिगड़े पहुँचते हैं।
- 10 सेकंड का विकल्प केवल पानी, बादल और धुंध जैसे शांत दृश्यों के लिए इस्तेमाल करें।
- पहले टेस्ट के लिए प्रॉम्प्ट एक्सपैंशन चालू रखें, फिर अगर मॉडल ऐसा मोशन जोड़े जो आपने नहीं माँगा, तो उसे बंद करें।
- जब कोई नतीजा पसंद आ जाए, तो सीड सेट करें, ताकि छोटे प्रॉम्प्ट बदलाव तुलना योग्य रहें।
- अगर क्लिप के साथ सिंक्रोनाइज़्ड आवाज़ चाहिए तो ऑडियो जोड़ें। मॉडल 3 से 30 सेकंड के बीच की WAV या MP3 फ़ाइल स्वीकार करता है।
| Hunyuan I2V सेटिंग | Wan 2.5 I2V में सबसे करीबी नियंत्रण |
|---|
| 720p तक रिज़ॉल्यूशन | रिज़ॉल्यूशन: 480p, 720p, 1080p |
| 129 फ़्रेम (लगभग 5 सेकंड) | अवधि: 5 या 10 सेकंड |
| प्रॉम्प्ट | प्रॉम्प्ट, साथ में प्रॉम्प्ट एक्सपैंशन |
| सीड | सीड |
| नेगेटिव गाइडेंस | नेगेटिव प्रॉम्प्ट |
आज़माने लायक विकल्प
HunyuanVideo-I2V अभी PicassoIA पर नहीं है। आज मिलते-जुलते नतीजों के लिए ये इमेज-टू-वीडियो विकल्प हैं, और हर एक थोड़ा अलग काम संभालता है।

Wan 2.7 I2V
Wan 2.7 I2V नया Wan इमेज-टू-वीडियो मॉडल है। जब आप उसी परिवार और वर्कफ़्लो में Wan 2.5 से नवीनतम मोशन क्वालिटी चाहते हैं, तो इसे चुनें।
Seedance 2.5 Lite
Seedance 2.5 Lite इनपुट इमेज को शुरुआती फ़्रेम के रूप में लेता है, 480p और 720p पर चलता है, और 10 सेकंड तक की क्लिप बनाता है। Elite और Infinite सदस्य प्रति-क्लिप लागत के बिना जेनरेट कर सकते हैं, इसलिए कई प्रॉम्प्ट टेस्ट करने के लिए यह सबसे अच्छा विकल्प है। इसमें वैकल्पिक आख़िरी फ़्रेम भी दिया जा सकता है, ताकि आप तय कर सकें कि क्लिप कहाँ ख़त्म हो।
Kling v3 Video
Kling v3 Video आपको स्टार्ट इमेज और एंड इमेज दोनों पिन करने देता है, मल्टी-शॉट स्क्रिप्टिंग सपोर्ट करता है, और प्रो मोड में वैकल्पिक नेटिव ऑडियो के साथ 1080p तक रेंडर करता है। यह उन पॉलिश्ड, क्लाइंट के सामने दिखाए जाने वाले शॉट्स के लिए ठीक है जहाँ कैमरा मूव मायने रखता है।
| मॉडल | इमेज इनपुट | अधिकतम लंबाई | अधिकतम रिज़ॉल्यूशन | सबसे अच्छा किसके लिए |
|---|
| Wan 2.5 I2V | हाँ | 10 s | 1080p | रोज़मर्रा की फ़ोटो एनिमेशन |
| Wan 2.7 I2V | हाँ | मॉडल पेज देखें | मॉडल पेज देखें | नवीनतम Wan मोशन |
| Seedance 2.5 Lite | हाँ | 10 s | 720p | ज़्यादा मात्रा में टेस्टिंग |
| Kling v3 Video | हाँ, स्टार्ट और एंड | 15 s तक | 1080p | पॉलिश्ड मल्टी-शॉट क्लिप |
आज अपनी क्लिप खुद बनाएँ
Hunyuan इमेज-टू-वीडियो की ईमानदार तस्वीर सीधी है: 5 सेकंड, 720p, GPU मेमोरी की भारी ज़रूरत, और केवल मोशन का वर्णन करने वाले प्रॉम्प्ट। अगर आपके पास हार्डवेयर और धैर्य है, तो ओपन वेट्स एक फ़ायदेमंद प्रोजेक्ट हैं। अगर आप बस चाहते हैं कि आपकी फ़ोटो चले, तो ब्राउज़र से कुछ ही मिनटों में काम हो सकता है।
एक शार्प फ़ोटो चुनें, एक साफ़ क्रिया लिखें, और उसे Wan 2.5 I2V या Seedance 2.5 Lite पर चलाएँ। वही इमेज तीन अलग प्रॉम्प्ट के साथ आज़माएँ, हर बार केवल एक चर बदलें, और सीड फ़िक्स्ड रखें। कुछ रन में ही आप जान जाएँगे कि आपकी फ़ोटो किस तरह का मोशन सबसे अच्छा संभालती है।
तैयार हैं? PicassoIA खोलें, एक फ़ोटो अपलोड करें और देखें कि 5 सेकंड का मोशन उसके साथ क्या करता है। आप picassoia.com/en/all-models पर उपलब्ध हर वीडियो मॉडल देख सकते हैं।