HunyuanCustom是什么？

HunyuanCustom 是騰訊混元推出并開源的基于多模態驅動的定制化視頻生成框架，可以生成具有特定主題的視頻，同時支持文本、圖像、音頻和視頻等多種輸入條件。

HunyuanCustom模型架構

• 基于 HunyuanVideo：HunyuanCustom 是在 HunyuanVideo 的基礎上構建的，專注于生成與特定主題一致的視頻。

• 多模態融合：引入了基于 LLaVA 的文本-圖像融合模塊，增強對多模態輸入的理解。此外，還設計了針對音頻和視頻的特定條件注入機制，以實現多模態條件下的視頻生成。

HunyuanCustom核心功能

• 多模態輸入生成視頻：融合了文本、圖像、音頻、視頻等多模態輸入生成視頻的能力，具備高度控制力和生成質量。

• 單主體視頻生成：用戶只需上傳一張包含目標人物或物體的圖片，并提供一句文本描述，就能識別出圖片中的身份信息，并在完全不同的動作、服飾與場景中生成連貫自然的視頻內容。例如上傳一張人物照片，輸入“他正在遛狗”，即可生成相應視頻。

• 多主體視頻生成：用戶提供一張人物和一張物體的照片，并輸入文字描述，能讓這兩個主體按要求出現在視頻里。比如提供一張人物和一包薯片的照片，輸入“一名男子正在游泳池旁邊，手里拿著薯片進行展示”，即可生成對應視頻。

• 單主體視頻配音：在音頻驅動（單主體）模式下，用戶可以上傳人物圖像并配上音頻語音，模型便可生成人物在任意場景中說話、唱歌或進行其他音視頻同步表演的效果，廣泛適用于數字人直播、虛擬客服、教育演示等場景。

• 視頻局部編輯：在視頻驅動模式下，支持將圖片中的人物或物體自然地替換或插入到任意視頻片段中，進行創意植入或場景擴展，輕松實現視頻重構與內容增強。

HunyuanCustom技術優勢

• 身份一致性高：通過業內領先的主體一致性建模能力，在單人、非人物體、多主體交互等多種場景，都能保持身份特征在視頻全程的一致性與連貫性，人物不會“變臉”，物體不會“漂移”。

• 可控性強：具有較強的控制信號跟隨能力，包括遵循來自文本、參考主體圖像和語音等多種模態信號的控制，可較好地生成用戶需要對象、場景和動作。

• 視頻生成質量高：得益于騰訊混元視頻大模型的強大能力，在人物細節還原、動作流暢性、光影真實度等方面都達到業內領先水平。

HunyuanCustom應用場景

• 廣告場景：可以快捷變換商品背景、模特可以快速換衣服。

• 電商和客服場景：可以快速低成本制作出生動的數字人商品介紹視頻，或者制作特定穿著的數字人客服視頻。

• 影視場景：快速制作短劇和小故事短視頻。

• 教育科普場景：通過音頻驅動生成講解視頻。

HunyuanCustom單主體生成能力已經開源并在混元官網上線，用戶可以在“模型廣場 - 圖生視頻 - 參考生視頻”中體驗，其他能力已于5月內陸續對外開源。你可以通過以下鏈接訪問相關信息：

• 體驗入口：https://hunyuan.tencent.com/modelSquare/home/play?modelId=192

• 項目官網：https://hunyuancustom.github.io/

• 代碼：https://github.com/Tencent/HunyuanCustom

• 技術報告：https://arxiv.org/pdf/2505.04512