论文地址: https://www.php.cn/link/5810733635b8629df4a4badaaef78f6c
由字节跳动智能创作团队与清华大学联合推出的 HuMo，是一个统一的 HCVG（Human-Centric Video Generation）框架，致力于推动以人为中心的视频生成技术发展。该框架支持文本、图像和音频三种模态的协同驱动，实现高度可控的人物视频生成。
HuMo（全称 Human-Modal）通过构建高质量多模态数据集，并引入创新的渐进式训练机制，首次在统一模型中实现了对多种输入信号的有效融合与精细控制。其生成视频最高可达 720P 分辨率，最长支持 97 帧、25FPS 的输出，在多个子任务上的表现均超越当前专用模型。
该框架的关键技术包括全新的数据处理流程、逐步增强的多模态训练策略，以及可根据输入灵活调整的推理机制。
项目地址:
https://www.php.cn/link/09604c68bfa72e9930b00c967e64747e
https://www.php.cn/link/b2a242690f117309099b7a561b605e9e
