摘要：最近他们开源了一个全新的视频生成框架 —— HunyuanCustom，主打两个关键词：身份一致性 和 多模态输入，直接命中当前AI视频的两个痛点！

腾讯混元在AI视频上又放大招了！

最近他们开源了一个全新的视频生成框架 —— HunyuanCustom，主打两个关键词：身份一致性 和 多模态输入，直接命中当前AI视频的两个痛点！

看了他们的开源日直播之后，真的感觉这一步跨得很大，是向“可用AI视频”迈进的重要一步。不管是生成短片、制作电商广告，人物不能“变脸”、内容能稳定控制，这都是基础中的基础。

来看看 HunyuanCustom 的“身份一致性”表现有多惊艳：

单主体场景：给定一张男生或女生的照片，系统可以在不同场景中——比如工作、学习、遛狗等——都保持人物的脸型和气质不变，表现非常稳定。

多主体场景就更精彩了：

比如，和熊猫对打（而且熊猫不糊、不飘）

再比如，小哥举着乐事薯片讲解，全程薯片这个“第二主角”都没有消失、扭曲或者漂移，做广告简直让甲方妈妈都能放心了！

动作的自然程度也让人眼前一亮：女生奔跑后转身拥抱男生，整个过程衔接自然，没有那种让人出戏的“AI味”。

另外，HunyuanCustom 还支持多模态驱动！来看这个由口播音频驱动的视频片段，模特自然讲解产品，虽然口型还有点不贴合，但整体效果已经非常接近实拍。

模型对开发者非常友好，最低24G显存就能跑，不过官方推荐显存80GB，这样可以兼顾速度和生成质量，特别适用于高分辨率视频生成任务。

开源主页：https://hunyuancustom.github.io/

HunyuanCustom 是一个多模态视频生成模型，核心目标是保持生成视频中“人物身份”的一致性，并支持根据文本、图片、音频、视频等多种条件进行控制。

首先，模型引入了一个基于 LLaVA 的图文融合模块，用来增强图像与文本之间的理解。文本描述中会包含 "the man looks like the image..." ，系统会将“image token”替换为用户上传的图片，从而将人物特征更准确地融入文本语义中，帮助生成更具身份一致性的视频内容。

其次，HunyuanCustom 还设计了一个图像身份增强模块。该模块会将输入图像沿时间轴拼接，并借助视频模型对时间序列的强大建模能力，在整个视频中维持主体特征的一致性，也就是说，无论视频播放到哪一帧，主角的样貌都能保持稳定、不“变脸”。

在支持音频和视频作为输入条件方面，HunyuanCustom 针对不同模态分别设计了专属的注入机制。这些机制与身份保持模块是解耦的，也就是说，即使在输入中加入音频或视频，也不会干扰主体的身份一致性。

最终，HunyuanCustom 实现了对图像、音频和视频条件的解耦式控制，在以主体为中心的多模态视频生成任务中展现出极大的潜力。

来源：51CTO一点号