腾讯混元开源图生视频模型：130 亿参数，自带音效与对口型

腾讯混元刚刚把自己的图生视频模型 HunyuanVideo-I2V 开源了，连同权重、推理代码和 LoRA 训练代码一次性全放了出来。

简单来说，你只要给它一张静态图，再加上一句动作描述或运镜指令，它就能吐出一支 5 秒长、2K 分辨率的短视频，而且会自动配好对应的背景音效。

它能做什么

除了常规的让图片动起来，这次开源还带了两个很实用的玩法：对口型和动作驱动。

如果你上传一张人物肖像，输入一段文字或者音频，模型就能让画面里的人物跟着节奏开口说话或者唱歌。

动作驱动则更进一步。你可以用它来做姿态迁移，比如传一张角色的静态立绘，就能一键让它跳出指定的舞蹈动作。官方给出的范围不仅限于真人写实，动漫角色甚至 CGI 虚拟角色都能跑得通。

普通用户现在可以直接去混元 AI 视频官网在线体验，企业和开发者也可以通过腾讯云申请 API。想在自己机器上折腾的，去 GitHub 或者 Hugging Face 搜 HunyuanVideo-I2V 就能直接拉取代码和权重。

模型细节与开源内容

这个图生视频模型延续了混元文生视频的技术路线，总参数量保持在 130 亿。

根据混元发布的技术报告，图生视频和之前的文生视频是在同一个数据集上做的预训练。它支持结合图像、文本、音频和姿态等多种输入条件，以此来实现对画面动作和原生镜头切换的控制。

这次开源最大的诚意在于放出了 LoRA 训练代码。这意味着开发者不需要重新去啃那 130 亿参数的完整预训练，只要准备少量高质量特定画风或动作的数据，就能在本地训练专属的衍生模型。

目前混元开源系列已经覆盖了文本、图像、视频和 3D 生成，在 GitHub 上累计拿到了超过 2.3 万个标星。

为什么重要

开源视频生成领域一直缺一个真正好用、控制力强且带配套工具链的底座。很多开源项目要么只放演示，要么代码不完整，普通开发者很难在上面做二次开发。

混元把 130 亿参数的权重和 LoRA 训练脚本全拿出来，直接降低了社区微调视频模型的门槛。对做游戏资产、动画短片或者自媒体特效的创作者来说，它是一个值得立刻拿去跑一跑的本地生产力工具。

不过 130 亿参数对显存的要求并不低，想要在本地流畅跑推理甚至做 LoRA 微调，硬件门槛依然摆在那里。我们认为，它的真正价值在于给开源生态打了一剂强心针，逼着同类商业闭源工具在控制度和定制能力上拿出更多真东西。