HuMo模型：基于音频条件的以人为中心的视频生成

HuMo

Wan2.1以人为中心音频条件Whisper

基于Wan2.1并采用Whisper音频条件的以人为中心的视频生成模型。支持文本、图像和音频输入，实现精细可控的人体视频生成。提供14B fp16和1.7B fp16两种参数规模。

开发者	Phantom-video
架构	基于Wan2.1，支持多模态条件
模型规模	14B fp16、1.7B fp16
能力	以人为中心的视频生成，支持文本/图像/音频条件
音频条件器	Whisper（通过westlast/whisper）

概述

HuMo（人体运动）由Phantom-video开发，是一个统一的以人为中心的视频生成框架，基于Wan2.1构建。它能够从多模态输入（包括文本、图像和音频）生成高质量、精细可控的人体视频。Whisper音频条件能够实现人体运动与音频线索的精确同步，使其适用于说话头像生成、手势合成以及富有表现力的人体动画。

该模型提供两种规模：完整版14B fp16参数变体，用于最高质量；轻量级1.7B fp16参数变体，用于消费级GPU兼容性。

ComfyUI集成

HuMo与ComfyUI工作流兼容。用于条件的Whisper音频模型可在Hugging Face上的westlast/whisper找到。