HuMo : Génération de vidéos centrée sur l'humain avec conditionnement audio
HuMo de Phantom-video est un modèle de génération vidéo centré sur l'humain basé sur Wan2.1. Utilise le conditionnement audio Whisper pour générer des vidéos humaines avec des tailles 14B et 1.7B.
HuMo
Wan2.1Centré sur l'humainConditionnement audioWhisperModèle de génération vidéo centré sur l'humain basé sur Wan2.1 avec conditionnement audio Whisper. Prend en charge les entrées texte, image et audio pour une génération vidéo humaine finement contrôlable. Disponible en tailles 14B fp16 et 1.7B fp16.
Présentation
HuMo (Human Motion) de Phantom-video est un framework unifié de génération vidéo centré sur l'humain, construit sur Wan2.1. Il produit des vidéos humaines de haute qualité, finement détaillées et contrôlables à partir d'entrées multimodales incluant texte, images et audio. Le conditionnement audio Whisper permet une synchronisation précise du mouvement humain avec les signaux audio, ce qui le rend adapté à la génération de têtes parlantes, à la synthèse de gestes et à l'animation humaine expressive. Le modèle est disponible en deux tailles : la variante complète 14B fp16 pour une qualité maximale et la variante légère 1.7B fp16 pour une compatibilité avec les GPU grand public.
Intégration avec ComfyUI
HuMo est compatible avec les workflows ComfyUI. Le modèle audio Whisper pour le conditionnement se trouve sur westlast/whisper sur Hugging Face.
Guides and workflows related to this model series.