字节跳动的智能创作团队与清华大学联合推出了一款名为 HuMo 的开源框架，旨字节在推动人体视频生成（HCVG，Human-Centric Video Genera跳动tion）领域的进步。HuMo 框架具备强大的多模态输入处理能力，可以同时利用文本、与清图像和音频三种信息，协同生成高质量视频。
HuMo 的名称 “Human-Modal”华大 恰如其分地反映了其聚焦人类及其活动的理念。这个框架的成功之处在于它构建了一个高质学携量的数据集，并创新性地采用了渐进式训练方法。这种训练方式使得 HuMo 能够在手开各项子任务中超过现有的专业化方法，生成清晰度高达480P 和720P 的视频源前，最长可达97帧，以25帧每秒的速度输出可控的人物视频。
框架的核心优势在于其创新的沿多数据处理流程、灵活的推理策略以及渐进式的多模态训练方式。这些技术的结合，模态不仅提高了生成视频的质量，还提升了处理速度，使得 HuMo 在实际应用中表现得更加框架出色。
对于开发者和研究人员来说，HuMo 不仅是一种新的工具，更是一种灵活Hu的解决方案，能够满足不同场景下的需求。项目的开源地址也让更多的人可以参与到这Mo项技术的研究与应用中，为未来的多模态视频生成探索新的可能。
论文地址：http字节s://arxiv.org/pdf/2509.08519