一、教程简介

HuMo 是由清华大学和字节跳动智能创作实验室于 2025 年 9 月发布的多模态视频生成框架，专注于人类中心的视频生成。能从文本、图像和音频等多种模态输入中生成高质量、精细且可控的人类视频。 HuMo 支持强大的文本提示跟随能力、一致的主体保留以及音频驱动的动作同步。支持从文本-图像（VideoGen from Text-Image）、文本-音频（VideoGen from Text-Audio）以及文本-图像-音频生成视频（VideoGen from Text-Image-Audio），相关论文成果为「HuMo: Human-Centric Video Generation via Collaborative Multi-Modal Conditioning」。

HuMo 项目提供 1.7B 和 17B 两种规格的模型部署，本教程使用模型为 17B，采用资源为单卡 RTX pro 6000 。

→点击跳转体验「HuMo 1.7B：多模态视频生成框架」。

二、项目示例

VideoGen from Text-Image-Audio,TIA

VideoGen from Text-Audio,TA

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。  注意：当 Sampling Steps 设置为 10 时，生成结果大约需要 3-5 分钟。

TIA

TA

参数说明

• Height：设置视频的高度。
• Width：设置视频的宽度。
• Frames：设置视频的帧数。
• Text Guidance Scale：文本引导缩放比例，用于控制文本提示对视频生成的影响。
• Image Guidance Scale：图像引导缩放比例，用于控制图像提示对视频生成的影响。
• Audio Guidance Scale：音频引导缩放比例，用于控制音频提示对视频生成的影响。
• Sampling Steps：采样步数，用于控制视频生成的质量和细节。
• Random Seed：随机种子，用于控制视频生成的随机性。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@misc{chen2025humo,
      title={HuMo: Human-Centric Video Generation via Collaborative Multi-Modal Conditioning}, 
      author={Liyang Chen and Tianxiang Ma and Jiawei Liu and Bingchuan Li and Zhuowei Chen and Lijie Liu and Xu He and Gen Li and Qian He and Zhiyong Wu},
      year={2025},
      eprint={2509.08519},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2509.08519}, 
}