字节跳动智能创作团队联合清华大学共同开源了名为 HuMo 的统一 HCVG（Human-Centric Video Generation）框架。

论文地址: https://arxiv.org/abs/2509.08519

Human-Centric Video Generation，即人体视频生成框架，支持文本、图像、音频三种模态协同驱动。

HuMo（意指 Human-Modal）通过构建高质量数据集和设计创新的渐进式训练范式，成功实现了对多模态输入的协同控制，在各项子任务上超越了现有的专业化方法，可输出 480P 与 720P 分辨率、最长 97 帧、25FPS 的精细可控人物视频。

HuMo 框架的核心在于其创新的数据处理流程、渐进式多模态训练范式以及灵活的推理策略。

项目地址:
https://phantom-video.github.io/HuMo
https://github.com/phantom-video/humo