腾讯混元正式开源端到端视频音效生成模型hunyuanvideo-foley，仅需上传视频并输入文字描述，即可自动生成媲美电影质感的沉浸式音效。
例如，输入文本：“With a faint sound as their hands parted, the two embraced, a soft 'mm' escaping between them.”
系统便会输出一段画面与声音高度契合的完整视频：
核心技术优势
- 强泛化能力：适用于人物互动、动物行为、自然风景、卡通动画等多种视频类型，精准生成与视觉内容同步的音频。
- 多模态语义协同建模：采用创新的双流多模态扩散变换器（MMDIT）架构，有效融合文本与视频语义信息，解决传统方法中“重文字轻画面”的问题。
- 高保真音频输出：引入表征对齐（REPA）损失函数，显著降低背景噪声，提升音质纯净度，达到专业级制作标准。
官方表示，HunyuanVideo-Foley成功突破了AI生成视频长期“有画无声”的瓶颈，终结无声AI视频时代，真正实现“理解画面、解析文本、精准配声”的一体化能力，为用户带来影院级的视听融合体验。该模型可广泛用于短视频生产、影视后期、广告创意及游戏音效设计等多个领域。
现在，开发者和创作者可通过以下平台免费获取模型资源：
- 在线体验地址：https://www.php.cn/link/5f6f7b11088de6d2cd70a2ccc6130d1f
- 项目主页：https://www.php.cn/link/b4df8f42155d4aa5754af5e3b17f6931
- 开源代码库：https://www.php.cn/link/85fa59ac8a893137b2777551335631ed
- 技术论文：https://www.php.cn/link/d697311aad4f58ad2c5d4286fc22980d
- Hugging Face模型站：https://www.php.cn/link/a28477d0c57129b93d95baf171634582
