什麼是 HunyuanCustom？

HunyuanCustom 是一個多模態、條件式和可控的視訊生成模型。它旨在生成自定義視訊，並接受文字、圖像、音訊和視訊作為輸入。該系統優先考慮在生成的整個視訊中保持主體身份的一致性。

HunyuanCustom 的主要創新是什麼？

HunyuanCustom 的主要創新包括基於 LLaVA 的圖像-文字融合，以改進多模態理解。它還具有圖像 ID 增強模組、用於音訊驅動生成的 AudioNet 以及視訊驅動的注入模組。這些組件有助於在視訊生成中實現強大的多模態控制和身份保持。

HunyuanCustom 支援廣泛的輸入模態，包括文字、圖像、音訊和視訊。這允許基於使用者特定需求和可用內容進行高度靈活和可自定義的視訊生成。

HunyuanCustom 利用先進的時間建模和多模態融合技術。這種方法確保了在生成的視訊的所有幀中，即使在不同的輸入條件下，主體身份也能保持一致。

根據大量實驗，HunyuanCustom 的效能優於最先進的開源和閉源方法。它尤其在身份（ID）一致性、真實感和文字-視訊對齊方面表現出色，使其成為可控視訊合成的領先解決方案。

HunyuanCustom 非常適合各種應用，包括個人化視訊創作、行銷內容生成、娛樂目的、教育內容開發以及任何需要可控和主體一致的視訊合成的場景。該工具促進了獨特視訊內容的創建。

有關 HunyuanCustom 的資訊，包括程式碼訪問和其他資源，可以在 GitHub 上找到。研究論文可在 arXiv 上找到，並且可以通過官方演示連結測試該模型。可以在 hunyuantencentcom 網站上獲得更多資訊。

HunyuanCustom 可以從文字、圖像、音訊和視訊等多種輸入生成視訊，從而為創作過程提供靈活的控制。

該模型利用時間建模和多模態融合，以確保在生成的視訊幀中主體身份的一致性。

諸如 AudioNet 和視訊注入之類的專用模組能夠實現基於音訊或參考視訊輸入的精確視訊創建。