字节跳动与清华大学携手开源前沿多模态框架HuMo
字节跳动的智能创作团队与清华大学联合推出了一款名为 HuMo 的开源框架，旨字节在推动人体视频生成（HCVG，Human-Centric Video Generati跳动on）领域的进步。HuMo 框架具备强大的多模态输入处理能力，可以同时利用文本与清、图像和音频三种信息，协同生成高质量视频。
HuMo 的名称 “Human-Modal”华大 恰如其分地反映了其聚焦人类及其活动的理念。这个框架的成功之处在于它构建了一个高质量学携的数据集，并创新性地采用了渐进式训练方法。这种训练方式使得 HuMo 能够在手开各项子任务中超过现有的专业化方法，生成清晰度高达480P 和720P 的视频，最长源前可达97帧，以25帧每秒的速度输出可控的人物视频。
框架的核心优势在于其创新的数据处沿多理流程、灵活的推理策略以及渐进式的多模态训练方式。这些技术的结合，不仅提高了生模态成视频的质量，还提升了处理速度，使得 HuMo 在实际应用中表现得更加出色。
对框架于开发者和研究人员来说，HuMo 不仅是一种新的工具，更是一种灵活的解决方案Hu，能够满足不同场景下的需求。项目的开源地址也让更多的人可以参与到这项技术的Mo研究与应用中，为未来的多模态视频生成探索新的可能。
论文地址：https://arx字节iv.org/pdf/2509.08519
本文地址：https://www.trading-records.com/news/9df3891334.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。