据介绍，Hunyuan Custom 融合了文本、图像、音频、视频等多模态输入生视频的能力，是一款具备高度控制力和生成质量的智能视频创作工具。
腾讯表示，Hunyuan Custom 模型能实现单主体视频生成、多主体视频生成、单主体视频配音、视频局部编辑等能力，其生成的视频与用户输入的参考主体能保持高度一致。
其中，单主体生成能力已经开源并在混元官网（AI在线附官网地址：https://hunyuan.tencent.com/）上线，用户可以在“模型广场-图生视频-参考生视频”中体验，其他能力将于 5 月内陆续对外开源。
有了 HunyuanCustom，用户只需上传一张包含目标人物或物体的图片，并提供一句文本描述（例如“他正在遛狗”），HunyuanCustom 就能识别出图片中的身份信息，并在完全不同的动作、服饰与场景中生成连贯自然的视频内容。
除了单主体以外，这个能力同样能实现多主体视频的生成，用户提供一张人物和一张物体的照片（比如一包薯片和一名男子的照片），并输入文字描述（比如“一名男子正在游泳池旁边，手里拿着薯片进行展示”），即可能让这两个主体按要求出现在视频里。
此外，HunyuanCustom 不止于图像和文本的配合，还具备强大的扩展能力。在音频驱动（单主体）模式下，用户可以上传人物图像并配上音频语音，模型便可生成人物在任意场景中说话、唱歌或进行其他音视频同步表演的效果，广泛适用于数字人直播、虚拟客服、教育演示等场景。
在视频驱动模式下，HunyuanCustom 支持将图片中的人物或物体自然地替换或插入到任意视频片段中，进行创意植入或场景扩展，轻松实现视频重构与内容增强。
此前大部分的视频生成模型主要能实现文生视频和图生视频。文生视频每次均根据本文提示词重新生成，很难持续保持人物和场景的一致性。而图像生成视频模型主要实现的是“让图片动起来”。例如，上传一张人物照片，最终生成的视频通常只能在照片的原始服饰、姿态和场景下做出一些固定表情或动作，服装、背景和姿态几乎无法修改。
但在部分场景下，创作者希望保持人物一致的情况下，改变人物所在的环境和动作。此前的视频生成模型无法实现，多模态视频生成模型 HunyuanCustom 则可以很好地满足创作者的需求，通过引入身份增强机制和多模态融合模块，真正实现了“图像提供身份，文本定义一切”。
参考资料：
体验入口：https://hunyuan.tencent.com/modelSquare/home/play?modelId=192
项目官网：https://hunyuancustom.github.io/
代码开源：https://github.com/Tencent/HunyuanCustom
论文地址：https://arxiv.org/pdf/2505.04512
