HunyuanCustom 是一个多模态定制视频生成框架，旨在根据用户定义的条件生成特定主题的视频。该技术在身份一致性和多种输入模式的支持上表现出色，能够处理文本、图像、音频和视频输入，适合虚拟人广告、视频编辑等多种应用场景。
需求人群：
"该产品适合视频制作人、广告创意团队和虚拟人开发者。HunyuanCustom 通过支持多种输入形式，使创作者能够快速生成高质量的定制视频，满足广告、娱乐等领域的需求。"
使用场景示例：
使用图像和音频生成虚拟人广告，通过音频驱动角色对话。
在已有视频中替换角色，实现个性化的视频编辑。
创建唱歌的头像，使其能够表演指定的音乐作品。
产品特色：
支持多模态输入：可以处理文本、图像、音频和视频，以实现灵活的定制。
身份一致性：通过引入图像 ID 增强模块和时间级联，保持主题在视频中的一致性。
音频驱动生成：结合音频输入，使生成的视频中的角色能够说出相应的内容。
视频对象替换：允许在视频中替换指定对象，与给定图像中的主题一致。
支持单一和多主题场景：适用于单个或多个主题的视频生成需求。
扩展应用场景：可用于虚拟试衣、虚拟人广告、唱歌头像等多种应用。
高质量生成：相较于现有方法，提供更高的真实感和文本 - 视频对齐度。
并行推理支持：可在多个 GPU 上进行高效推理，提升生成速度。
使用教程：
1. 克隆 HunyuanCustom 的代码库。
2. 安装所需的依赖项，包括 PyTorch 和其他库。
3. 下载预训练模型并设置环境变量。
4. 准备输入文件（图像、音频或视频）。
5. 使用命令行运行生成脚本，指定输入和条件。
6. 等待模型生成视频，并检查输出结果。
7. 根据需求调整输入和参数，以优化生成效果。
浏览量：13
最新流量情况
月访问量
4.92m
平均访问时长
00:06:33
每次访问页数
6.11
跳出率
36.20%
流量来源
直接访问
51.61%
自然搜索
33.46%
邮件
0.04%
外链引荐
12.58%
社交媒体
2.19%
展示广告
0
截止目前所有流量趋势图
地理流量分布情况
中国
13.25%
德国
3.63%
印度
9.32%
俄罗斯
4.28%
美国
19.34%
多模态驱动的定制视频生成架构。
HunyuanCustom 是一个多模态定制视频生成框架，旨在根据用户定义的条件生成特定主题的视频。该技术在身份一致性和多种输入模式的支持上表现出色，能够处理文本、图像、音频和视频输入，适合虚拟人广告、视频编辑等多种应用场景。
国产视频生成大模型 Vidu Q1，支持高清 1080p 视频生成，性价比极高。
Vidu Q1 是由生数科技推出的国产视频生成大模型，专为视频创作者设计，支持高清 1080p 视频生成，具备电影级运镜效果和首尾帧功能。该产品在 VBench-1.0 和 VBench-2.0 评测中位居榜首，性价比极高，价格仅为同行的十分之一。它适用于电影、广告、动漫等多个领域，能够大幅降低创作成本，提升创作效率。
用于视频生成的下一帧预测模型。
FramePack 是一个创新的视频生成模型，旨在通过压缩输入帧的上下文来提高视频生成的质量和效率。其主要优点在于解决了视频生成中的漂移问题，通过双向采样方法保持视频质量，适合需要生成长视频的用户。该技术背景来源于对现有模型的深入研究和实验，以改进视频生成的稳定性和连贯性。
在视频扩散变换器中合成任何内容的框架。
SkyReels-A2 是一个基于视频扩散变换器的框架，允许用户合成和生成视频内容。该模型通过利用深度学习技术，提供了灵活的创作能力，适合多种视频生成应用，尤其是在动画和特效制作方面。该产品的优点在于其开源特性和高效的模型性能，适合研究人员和开发者使用，且目前不收取费用。
基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。
DreamActor-M1 是一个基于扩散变换器 (DiT) 的人类动画框架，旨在实现细粒度的整体可控性、多尺度适应性和长期时间一致性。该模型通过混合引导，能够生成高表现力和真实感的人类视频，适用于从肖像到全身动画的多种场景。其主要优势在于高保真度和身份保留，为人类行为动画带来了新的可能性。
一种提升场景级视频生成能力的技术。
长上下文调优（LCT）旨在解决当前单次生成能力与现实叙事视频制作之间的差距。该技术通过数据驱动的方法直接学习场景级一致性，支持交互式多镜头开发和合成生成，适用于视频制作的各个方面。
TheoremExplainAgent 是一个用于生成多模态定理解释视频的智能系统。
TheoremExplainAgent 是一款基于人工智能的模型，专注于为数学和科学定理生成详细的多模态解释视频。它通过结合文本和视觉动画，帮助用户更深入地理解复杂概念。该产品利用 Manim 动画技术生成超过 5 分钟的长视频，填补了传统文本解释的不足，尤其在揭示推理错误方面表现出色。它主要面向教育领域，旨在提升学习者对 STEM 领域定理的理解能力，目前尚未明确其价格和商业化定位。
使用简单的提示和图像生成视频片段。
Adobe Firefly 是一款基于人工智能技术的视频生成工具。它能够根据用户提供的简单提示或图像快速生成高质量的视频片段。该技术利用先进的 AI 算法，通过对大量视频数据的学习和分析，实现自动化的视频创作。其主要优点包括操作简单、生成速度快、视频质量高。Adobe Firefly 面向创意工作者、视频制作者以及需要快速生成视频内容的用户，提供高效、便捷的视频创作解决方案。目前该产品处于 Beta 测试阶段，用户可以免费使用，未来可能会根据市场需求和产品发展进行定价和定位。
OmniHuman-1 是一种基于单张人像和运动信号生成人类视频的多模态框架。
OmniHuman-1 是一个端到端的多模态条件人类视频生成框架，能够基于单张人像和运动信号（如音频、视频或其组合）生成人类视频。该技术通过混合训练策略克服了高质量数据稀缺的问题，支持任意宽高比的图像输入，生成逼真的人类视频。它在弱信号输入（尤其是音频）方面表现出色，适用于多种场景，如虚拟主播、视频制作等。
探索多模态扩散变换器中的注意力控制，实现无需调优的多提示长视频生成
DiTCtrl是一种基于多模态扩散变换器（MM-DiT）架构的视频生成模型，它专注于无需额外训练即可生成具有多个连续提示的连贯场景视频。该模型通过分析MM-DiT的注意力机制，实现了在不同提示间精确的语义控制和注意力共享，从而生成具有平滑过渡和一致对象运动的视频。DiTCtrl的主要优点包括无需训练、能够处理多提示视频生成任务，并能展示电影风格的过渡效果。此外，DiTCtrl还提供了一个新基准MPVBench，专门用于评估多提示视频生成的性能。
下一代多模态智能模型
Emu3是一套最新的多模态模型，仅通过下一个token预测进行训练，能够处理图像、文本和视频。它在生成和感知任务上超越了多个特定任务的旗舰模型，并且不需要扩散或组合架构。Emu3通过将多模态序列统一到一个单一的transformer模型中，简化了复杂的多模态模型设计，展示了在训练和推理过程中扩展的巨大潜力。
统一多模态视频生成系统
UniVG是一款统一多模态视频生成系统，能够处理多种视频生成任务，包括文本和图像模态。通过引入多条件交叉注意力和偏置高斯噪声，实现了高自由度和低自由度视频生成。在公共学术基准MSR-VTT上实现了最低的Fr'echet视频距离（FVD），超越了当前开源方法在人类评估上的表现，并与当前闭源方法Gen2不相上下。
一款多模态人工智能系统，可以根据文字、图片或视频剪辑生成新颖的视频。
Gen-2是一款多模态人工智能系统，可以根据文字、图片或视频剪辑生成新颖的视频。它可以通过将图像或文字提示的构图和风格应用于源视频的结构（Video to Video），或者仅使用文字（Text to Video）来实现。就像拍摄了全新的内容，而实际上并没有拍摄任何东西。Gen-2提供了多种模式，可以将任何图像、视频剪辑或文字提示转化为引人注目的影片作品。
一款轻量级的多模态语言模型安卓应用。
MNN-LLM 是一款高效的推理框架，旨在优化和加速大语言模型在移动设备和本地 PC 上的部署。它通过模型量化、混合存储和硬件特定优化，解决高内存消耗和计算成本的问题。MNN-LLM 在 CPU 基准测试中表现卓越，速度显著提升，适合需要隐私保护和高效推理的用户。
Seed-Coder 是一个开源的 8B 代码大型语言模型系列。
Seed-Coder 是字节跳动 Seed 团队推出的开源代码大型语言模型系列，包含基础、指令和推理模型，旨在通过最小的人力投入，自主管理代码训练数据，从而显著提升编程能力。该模型在同类开源模型中表现优越，适合于各种编码任务，定位于推动开源 LLM 生态的发展，适用于研究和工业界。
mrge 帮助现代软件团队以 4 倍的速度交付更高质量的代码。
mrge 是一个专为现代软件团队设计的代码审查平台，能够加速代码合并流程并提高代码质量。其采用 AI 技术实时评估代码，确保团队能够快速、有效地处理 PR，减少开发周期。产品每位活跃开发者月收费 30 美元，提供无限的 AI 审查和自定义规则，适合需要高效协作的开发团队。
通过 AI 实时翻译打破视频通话中的语言障碍。
Ztalk.ai 是一款创新的实时语音翻译工具，能够在视频通话中提供超过 30 种语言的即时翻译。它利用先进的 AI 技术，支持与各类视频会议平台的无缝集成，旨在提高全球团队的沟通效率。该产品提供不同的定价方案以满足用户的需求，特别适合需要跨语言沟通的专业团队和企业。
领先的虚拟试穿技术，改变时尚活动和消费者体验。
FASHN 是一种创新的虚拟试穿技术，旨在帮助时尚行业提升客户体验与市场推广效率。通过 FASHN，用户可以快速生成虚拟试穿效果，帮助设计师、品牌及零售商更好地展示服装。该平台支持无需复杂训练即可使用，适合各种规模的时尚企业，助力他们在竞争激烈的市场中脱颖而出。
帮助开发者在百度生态获得精准搜索分发流量。
百度搜索开放平台的AI开放计划为应用开发者提供亿级精准流量分发的机会。通过 AI 技术的支持，开发者可以快速接入百度搜索引擎，提升应用的曝光率与用户访问量。平台还提供多维度的激励扶持，助力开发者找到合适的商业模式。
通过 MCP 协议访问 PixVerse 最新的视频生成模型。
PixVerse-MCP 是一个工具，允许用户通过支持模型上下文协议（MCP）的应用程序访问 PixVerse 最新的视频生成模型。该产品提供了文本转视频等功能，适用于创作者和开发者，能够在任何地方生成高质量的视频。PixVerse 平台需要 API 积分，用户需自行购买。
一个互动故事讲述的 AI 平台，通过图像和音频生成视频。
AvatarFX 是一个尖端的 AI 平台，专注于互动故事讲述。用户可以通过上传图片和选择声音，快速生成生动、真实的角色视频。其核心技术是基于 DiT 的扩散视频生成模型，能够高效生成高保真、时序一致的视频，特别适合需要多个角色和对话场景的创作。产品定位在为创作者提供工具，帮助他们实现想象力的无限可能。
全球首个无限时长电影生成模型，开启视频生成新时代
SkyReels-V2 是昆仑万维 SkyReels 团队发布的全球首个使用扩散强迫框架的无限时长电影生成模型。该模型通过结合多模态大语言模型、多阶段预训练、强化学习和扩散强迫框架来实现协同优化，突破了传统视频生成技术在提示词遵循、视觉质量、运动动态和视频时长协调上的重大挑战。它不仅为内容创作者提供了强大的工具，还开启了利用 AI 进行视频叙事和创意表达的无限可能。
开源视频生成模型，支持多种生成任务。
Wan2.1-FLF2V-14B 是一个开源的大规模视频生成模型，旨在推动视频生成领域的进步。该模型在多项基准测试中表现优异，支持消费者级 GPU，能够高效生成 480P 和 720P 的视频。它在文本到视频、图像到视频等多个任务中表现出色，具有强大的视觉文本生成能力，适用于各种实际应用场景。
一个集成视觉理解和生成的多模态生成模型。
Liquid 是一个自回归生成模型，通过将图像分解为离散代码并与文本标记共享特征空间，促进视觉理解和文本生成的无缝集成。此模型的主要优点在于无需外部预训练的视觉嵌入，减少了对资源的依赖，同时通过规模法则发现了理解与生成任务之间的相互促进效应。
AI 驱动的智能求职解决方案，助力提升求职成功率。
Boli 职业助手是一个利用 AI 技术和大数据分析为求职者提供智能化求职服务的平台。它为用户提供简历优化、面试模拟、岗位匹配等服务，显著提高了求职成功率。该产品旨在帮助求职者更好地展示自己的能力和适应力，从而获得理想的职位。用户可以享受免费的试用体验，以便在决定后续使用前充分了解产品的价值。
InternVL3开源：7种尺寸覆盖文、图、视频处理，多模态能力扩展至工业图像分析
InternVL3是由OpenGVLab开源发布的多模态大型语言模型（MLLM），具备卓越的多模态感知和推理能力。该模型系列包含从1B到78B共7个尺寸，能够同时处理文字、图片、视频等多种信息，展现出卓越的整体性能。InternVL3在工业图像分析、3D视觉感知等领域表现出色，其整体文本性能甚至优于Qwen2.5系列。该模型的开源为多模态应用开发提供了强大的支持，有助于推动多模态技术在更多领域的应用。
Pusa 是一个新颖的视频扩散模型，支持多种视频生成任务。
Pusa 通过帧级噪声控制引入视频扩散建模的创新方法，能够实现高质量的视频生成，适用于多种视频生成任务（文本到视频、图像到视频等）。该模型以其卓越的运动保真度和高效的训练过程，提供了一个开源的解决方案，方便用户进行视频生成任务。
© 2025 AIbase 备案号：闽ICP备08105208号-14