HunyuanVideo 1.5 en ComfyUI: Guía Real de Instalación y Prueba en RTX 3090 (I2V 480p)

La generación de vídeo local sigue ganando terreno frente a las herramientas cloud. HunyuanVideo 1.5 en ComfyUI (Tencent, open-source, 8.3B parámetros) suma una opción más a las que ya cubrimos en ComfyLab (Wan 2.1/2.2, LTXV-2.3): una variante I2V “step-distilled” pensada específicamente para correr en pocos pasos en GPUs de consumo. Este artículo documenta una instalación y ejecución verificada el 5 de julio de 2026, con tiempos reales medidos en una RTX 3090 de 24GB.

A diferencia de los anuncios oficiales, aquí encontrarás datos concretos: cuántos segundos tarda realmente, qué modelos descargar exactamente, y cómo evitar los errores que bloquean a la mayoría de usuarios en el primer intento.

De un vistazo: Especificaciones técnicas

Qué es HunyuanVideo 1.5 y por qué importa

HunyuanVideo 1.5 es una versión más ligera (8.3B parámetros) que el HunyuanVideo original que ya cubrimos en ComfyLab. Incluye una variante step-distilled pensada para correr en 8-12 pasos de sampler, en lugar de los muchos más pasos que necesitan los modelos de difusión sin destilar.

El modelo ofrece dos modos principales:

• T2V (Text-to-Video): genera vídeo desde texto (no probado en esta sesión)
• I2V (Image-to-Video): anima una imagen estática (la variante usada en esta prueba)

Además, existe un LoRA lightx2v_4step pensado para acelerar aún más la variante T2V a 4 pasos — tampoco probado aquí. Esta guía se centra en la variante I2V 480p step-distilled, la más accesible para GPUs de 24GB.

💡 Consejo: HunyuanVideo 1.5 step-distilled es viable en RTX 3090 precisamente porque reduce el sampler a 12 pasos, lo que en esta prueba se tradujo en ~5 minutos por vídeo corto sin artefactos visibles.

Requisitos y Preparación Previa

Antes de descargar nada, verifica que tienes:

• ComfyUI: versión reciente (probado con build de julio 2026)
• VRAM: 24GB mínimo (RTX 3090, RTX 4090, RTX 5090, o equivalente)
• Espacio en disco: varios GB por modelo (el text encoder principal, Qwen2.5-VL 7B, pesa por sí solo 8.7GB)
• Conexión a internet: los modelos se descargan de HuggingFace
• Python 3.10+: requerido para ejecutar ComfyUI

Actualiza ComfyUI a la última versión:

cd ComfyUI
git pull origin master
pip install -r requirements.txt

Si usas conda, asegúrate de que el entorno está activado antes de ejecutar los comandos anteriores.

Cómo instalar HunyuanVideo 1.5: Modelos exactos a descargar

Todos los modelos vienen del repositorio oficial Comfy-Org/HunyuanVideo_1.5_repackaged en HuggingFace. La clave es elegir las variantes fp8_scaled (no fp16) para caber en 24GB de VRAM.

Tabla de modelos para I2V 480p

Solo pudimos verificar con precisión el tamaño del text encoder principal (8.7GB); no medimos el resto de ficheros individualmente en esta prueba, así que no inventamos cifras para ellos aquí.

Modelos disponibles pero no incluidos en esta guía

Existen en el mismo repositorio opciones adicionales que no probamos:

• hunyuanvideo1.5_480p_t2v_cfg_distilled_fp8_scaled.safetensors para T2V
• hunyuanvideo1.5_t2v_480p_lightx2v_4step_lora_rank_32_bf16.safetensors para generación ultra-rápida (LoRA, 4 pasos)
• Variantes 720p y upscaler 1080p_sr_distilled

No se probaron porque esta guía se enfoca en I2V 480p; no damos tamaños ni tiempos para ellos porque no los medimos — cada variante tiene un comportamiento distinto en GPU, así que una cifra sin medir sería más ruido que ayuda.

Instalación Paso a Paso: Desde Cero

Paso 1: Crear la estructura de carpetas

mkdir -p ComfyUI/models/text_encoders
mkdir -p ComfyUI/models/vae
mkdir -p ComfyUI/models/diffusion_models
mkdir -p ComfyUI/models/clip_vision

Paso 2: Descargar los modelos

La forma más simple es usar huggingface-hub:

pip install huggingface-hub

huggingface-cli download Comfy-Org/HunyuanVideo_1.5_repackaged \
  qwen_2.5_vl_7b_fp8_scaled.safetensors \
  --local-dir ComfyUI/models/text_encoders/

huggingface-cli download Comfy-Org/HunyuanVideo_1.5_repackaged \
  byt5_small_glyphxl_fp16.safetensors \
  --local-dir ComfyUI/models/text_encoders/

huggingface-cli download Comfy-Org/HunyuanVideo_1.5_repackaged \
  hunyuanvideo15_vae_fp16.safetensors \
  --local-dir ComfyUI/models/vae/

huggingface-cli download Comfy-Org/HunyuanVideo_1.5_repackaged \
  hunyuanvideo1.5_480p_i2v_step_distilled_fp8_scaled.safetensors \
  --local-dir ComfyUI/models/diffusion_models/

huggingface-cli download Comfy-Org/sigclip_vision_384 \
  sigclip_vision_patch14_384.safetensors \
  --local-dir ComfyUI/models/clip_vision/

Alternativa manual: descarga desde huggingface.co/Comfy-Org/HunyuanVideo_1.5_repackaged y coloca los archivos en las carpetas correspondientes.

Paso 3: Verificar la instalación

Los nodos que necesita HunyuanVideo 1.5 (HunyuanVideo15ImageToVideo, DualCLIPLoader, CLIPVisionLoader, etc.) son nativos de ComfyUI — no hace falta instalar ningún custom node, solo tener una versión de ComfyUI lo bastante reciente como para incluirlos. Si tu instalación es antigua, actualiza antes de continuar.

Verifica que los archivos .safetensors están en sus carpetas correctas:

ls -lh ComfyUI/models/text_encoders/
ls -lh ComfyUI/models/vae/
ls -lh ComfyUI/models/diffusion_models/
ls -lh ComfyUI/models/clip_vision/

Workflow HunyuanVideo 1.5 480p: Configuración y Parámetros

La plantilla oficial video_hunyuan_video_1.5_720p_i2v.json viene incluida con ComfyUI. Aquí está la adaptación real usada en esta prueba:

Nodos clave del workflow

1. DualCLIPLoader (type hunyuan_video_15): carga en un único nodo los dos text encoders, qwen_2.5_vl_7b_fp8_scaled.safetensors y byt5_small_glyphxl_fp16.safetensors
2. CLIPVisionLoader + CLIPVisionEncode: cargan sigclip_vision_patch14_384.safetensors y condicionan el modelo con la imagen inicial
3. UNETLoader y VAELoader: cargan el modelo de difusión I2V y el VAE
4. LoadImage: carga la imagen inicial desde ComfyUI/input/
5. HunyuanVideo15ImageToVideo: construye el latente de vídeo condicionado a partir de la imagen y el prompt
6. ModelSamplingSD3, KSamplerSelect, BasicScheduler, RandomNoise, CFGGuider y SamplerCustomAdvanced: la cadena de sampling avanzado que usa la plantilla oficial (en vez de un único nodo KSampler simple)
7. VAEDecode y CreateVideo / SaveVideo: descomprimen el latente y guardan el MP4 final

Parámetros del sampler para step-distilled

cfg_scale: 1.0
shift: 5.0
steps: 12
sampler: "euler"
scheduler: "simple"

Estos son los valores que recomienda el propio nodo MarkdownNote de la plantilla oficial para la variante step-distilled, y los que se usaron en esta prueba con buen resultado. No probamos variaciones (pasos por debajo de 12 o cfg distinto de 1), así que no podemos dar datos sobre qué pasaría si te desvías de ellos — usa estos valores como punto de partida verificado.

Resolución de salida: 848×480 (el modelo I2V 480p es flexible en aspecto)

Frames generados: 121 frames a 24fps = 5.04 segundos de vídeo

📌 A tener en cuenta: Los parámetros step-distilled (cfg=1, shift=5, 12 pasos) son distintos a los de un modelo no destilado. Úsalos exactamente como se indican para obtener resultados óptimos en RTX 3090.

Rendimiento Real en RTX 3090: Datos Verificados

Tiempo total de generación

290 segundos (4 minutos 50 segundos) desde el inicio del workflow hasta el MP4 final.

Este tiempo incluye tanto la carga de modelos (text encoders, UNet y VAE) como el sampling.

Desglose por paso de sampler

El log de ComfyUI desglosa el sampling puro en aproximadamente 21.5 segundos por paso. Con 12 pasos, eso son ~4.3 minutos (258s) solo de muestreo. El resto, unos 32 segundos, corresponde a la carga de los modelos antes de empezar a samplear — no medimos por separado cuánto tarda cada modelo individual en cargar, así que no desglosamos esa parte con más precisión.

Comparación con el marketing oficial

Tencent afirma que HunyuanVideo 1.5 step-distilled es “75% más rápido” que la variante estándar. Esa cifra está medida en una RTX 4090, no en una RTX 3090. Los 290 segundos que reportamos aquí son el dato real medido en hardware de consumo más común (RTX 3090) — no es una cifra que confirme ni contradiga el marketing, simplemente es una medición en una GPU distinta a la que usa Tencent en sus comunicados.

Calidad del Resultado: Análisis Visual

El vídeo generado muestra:

• Movimiento fluido: las ondas de luz RGB se propagan de izquierda a derecha sin saltos
• Coherencia temporal: la iluminación de fondo (monitor desenfocado) no parpadea
• Sin artefactos visibles: no hay deformaciones, ghosting, o fusión de frames
• Profundidad de campo preservada: el teclado permanece enfocado, el fondo desenfocado

El prompt de movimiento fue:

“A mechanical keyboard with purple and blue RGB backlighting on a dark desk at night. Waves of colored light ripple smoothly across the keycaps from left to right, pulsing gently. A monitor glows softly out of focus in the background. Cinematic, moody tech atmosphere, smooth continuous motion, high detail.”

El fotograma de partida, generado con Krea2 Turbo a 848×480 — compáralo con el vídeo de arriba para juzgar tú mismo cuánto detalle conservó la animación I2V.

La imagen inicial se generó con Krea2 Turbo a 848×480, y HunyuanVideo 1.5 I2V la animó de forma coherente sin perder detalles.

Troubleshooting: El Bug del LoadImage (Solución Verificada)

Durante la prueba, encontramos un problema real que bloquea a muchos usuarios:

Problema: Generas una imagen con un nodo SaveImage (que escribe en ComfyUI/output/), luego intentas usarla como entrada en un nodo LoadImage para el workflow I2V. El LoadImage no la ve en el desplegable.

Razón: LoadImage solo busca en ComfyUI/input/, no en output/.

Solución: Copia manualmente la imagen generada desde output/ a input/ antes de ejecutar el workflow I2V:

cp ComfyUI/output/imagen_generada.png ComfyUI/input/

Luego, en el nodo LoadImage, aparecerá en el desplegable.

Este detalle es pequeño pero crucial si planeas un pipeline de dos pasos (generar imagen → animar con I2V) dentro de ComfyUI.

💡 Consejo práctico: LoadImage busca en input/, no en output/. Copia manualmente las imágenes generadas si quieres reutilizarlas en workflows posteriores.

Preguntas Frecuentes

¿Cuánto tarda HunyuanVideo 1.5 en generar un vídeo en una RTX 3090?

290 segundos (~4.8 minutos) para 5 segundos de vídeo a 480p con la variante I2V step-distilled a 12 pasos, incluyendo la carga de todos los modelos (text encoder, UNet y VAE). El sampling puro son unos 21.5 segundos por paso. Esta cifra es distinta a la del marketing oficial de Tencent, que está medida en una RTX 4090.

¿Qué modelos hacen falta para ejecutar HunyuanVideo 1.5 480p I2V en ComfyUI?

Del repositorio Comfy-Org/HunyuanVideo_1.5_repackaged en HuggingFace: qwen_2.5_vl_7b_fp8_scaled.safetensors y byt5_small_glyphxl_fp16.safetensors como text encoders, hunyuanvideo15_vae_fp16.safetensors como VAE, y hunyuanvideo1.5_480p_i2v_step_distilled_fp8_scaled.safetensors como modelo de difusión. Las variantes fp8_scaled caben cómodamente en 24GB de VRAM.

¿Por qué LoadImage no encuentra la imagen que acabo de generar en ComfyUI?

El nodo LoadImage busca los ficheros en la carpeta ComfyUI/input/, no en ComfyUI/output/, donde SaveImage guarda las imágenes por defecto. Si generas una imagen inicial y quieres usarla en un segundo workflow de imagen-a-vídeo, tienes que copiarla manualmente a input/ antes de que aparezca como opción en el desplegable de LoadImage.

¿Qué parámetros de sampler usa la variante step-distilled de HunyuanVideo 1.5?

cfg=1, shift=5 y 12 pasos de sampler, según los valores que recomienda el propio nodo de la plantilla oficial de ComfyUI para esta variante. Son valores muy distintos a los de un modelo no destilado; no subas el cfg pensando que mejorará el resultado.

¿Funciona HunyuanVideo 1.5 I2V en una RTX 4080 o RTX 4070?

No lo hemos probado, pero es poco probable sin ajustes: el modelo está pensado para 24GB de VRAM y una RTX 4080/4070 tiene 16GB. Necesitarías técnicas de offload no cubiertas en esta prueba. Lo verificado en esta guía es RTX 3090 (24GB).

¿Puedo usar la variante T2V en lugar de I2V?

Sí, existe hunyuanvideo1.5_480p_t2v_cfg_distilled_fp8_scaled.safetensors en el mismo repositorio, junto con un LoRA lightx2v_4step pensado para acelerar aún más esa variante. Ninguno de los dos se probó en esta sesión, así que no damos tiempos ni resultados de calidad para ellos.

¿Puedo escalar a 720p o 1080p?

Existen variantes 720p en el mismo repositorio, además de un upscaler 1080p_sr_distilled, pero no las probamos en esta sesión — no sabemos si caben cómodamente en 24GB ni qué tiempos de generación tendrían. Quedan como ruta de escalado pendiente de verificar.

Sigue leyendo

Si quieres comparar HunyuanVideo 1.5 con el HunyuanVideo original y con Wan 2.2, nuestra comparativa Wan 2.2 vs HunyuanVideo cubre VRAM, velocidad y calidad de movimiento. Para el flujo completo de animar una imagen paso a paso con estos mismos modelos, consulta nuestra guía de Image to Video en ComfyUI. Y si quieres ver cómo se comportan otros modelos de vídeo (LTXV-2.3, SCAIL-2, Wan 2.1/2.2) en esta misma RTX 3090, revisa nuestras 5 pruebas reales de vídeo IA local.

Conclusión

🏆 Nuestra recomendación

HunyuanVideo 1.5 I2V step-distilled es la opción realista para animar imágenes en hardware de consumo sin esperar horas. Si tienes una RTX 3090 y quieres generar vídeos coherentes de 5 segundos en ~5 minutos, descarga los 5 modelos listados en esta guía (incluido el CLIP Vision, fácil de olvidar), adapta el workflow oficial a los parámetros step-distilled (cfg=1, shift=5, 12 pasos), y ten en cuenta el bug del LoadImage. Los 290 segundos por vídeo son el dato real medido en esta prueba, y la calidad del resultado fue consistente y sin artefactos visibles.

Si tu GPU tiene menos de 24GB, esta variante tal como la probamos no es viable sin técnicas de memory offloading que no cubrimos en esta guía.