HunyuanVideo-Foley

看视频自动配音，让无声画面瞬间有真实的声音。

HunyuanVideo-Foley 是腾讯混元团队开源的多模态扩散模型，用于从视频内容自动生成高保真度的拟音音频（Foley Sound）。它解决了视频后期制作中人工配音耗时耗力的问题，能够根据视频画面中的动作、场景和物体，自动生成与之匹配的脚步声、碰撞声、环境音等。其核心能力在于多模态表示对齐技术，将视觉信息与音频生成模型有效融合，确保生成的音频与视频在时间、语义和物理属性上高度一致。项目基于扩散模型架构，支持文本到音频、视频到音频以及文本+视频到音频等多种输入模式，为视频创作者、游戏开发者、影视后期人员提供了高效的音频生成工具。

开源 unknown 视频生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1056

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类视频生成

开发团队Tencent-Hunyuan

所属国家

官网地址https://hunyuan.tencent.com/video/zh?tabIndex=0

GitHubhttps://github.com/Tencent-Hunyuan/HunyuanVideo-Foley

定价模式unknown

价格说明开源项目，需自行部署，无在线服务。官网为腾讯混元视频页面，未明确该项目的定价信息。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型aigc-audio,foley-art,foley-sound-synthesis,text-to-audio,text-to-video,text-video-to-audio,tta,video-to-audio

GitHub 星标★ 1056

30天Star增速

HF 下载量

上线时间2025-08-15 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：进阶约 30 分钟部署方式：本地安装 4 步

环境要求

Linux 系统（官方主要支持）
Python 3.8+
CUDA 12.4 或 11.8（推荐）
显存：XXL 模型 20GB，XL 模型 16GB；启用 offload 可降至 12GB / 8GB
建议使用 Conda 管理 Python 环境

安装与启动步骤

1获取项目代码

将 HunyuanVideo-Foley 仓库下载或克隆到本地目录；README 未给出克隆命令，请自行获取代码。
2安装依赖

在项目根目录执行，安装 requirements.txt 中列出的 Python 依赖；建议先建好 Conda 环境。
```
pip install -r requirements.txt
```
3启动界面

运行 Gradio 应用，终端会输出本地访问 URL，浏览器打开即可生成拟音音频。
```
python3 gradio_app.py
```
4低显存启动

显存不足时启用 offload，XXL 模型可降至 12GB、XL 模型降至 8GB 显存运行。
```
ENABLE_OFFLOAD=true python3 gradio_app.py
```

关键配置

配置项	必填	说明	示例
`ENABLE_OFFLOAD`	否	启用卸载以降低显存占用，显存不足时使用	`true`

如何确认成功

启动后终端会输出本地 URL，浏览器打开出现 Gradio 界面并能上传视频生成音频即成功。

常见问题

Q：显存不够怎么办？

A：使用 ENABLE_OFFLOAD=true python3 gradio_app.py 启动，XXL 模型显存需求可降到 12GB，XL 模型可降到 8GB。

Q：支持 Windows 或 macOS 吗？

A：README 标注 OS 为 Linux（primary support），Windows 与 macOS 未明确支持，建议在 Linux 上部署。

Q：依赖安装失败如何排查？

A：确认 Python 3.8+ 且 CUDA 为 12.4 或 11.8，推荐用 Conda 建独立环境后重新执行 pip install -r requirements.txt。

Q：不想本地部署有在线体验入口吗？

A：README 提供了 HuggingFace Demo 空间 tencent/HunyuanVideo-Foley，可直接在线试用。

注意事项

README 仅给出 Step 2 环境安装与启动命令，第一步获取代码未给出具体命令。
模型权重见 HuggingFace 仓库 tencent/HunyuanVideo-Foley，具体下载方式 README 未说明。
项目支持文本到音频、视频到音频、文本+视频到音频多种输入模式。
官方 Demo：https://huggingface.co/spaces/tencent/HunyuanVideo-Foley

核心亮点

多模态表示对齐技术，生成的音频与视频画面在时间和语义上高度同步，效果逼真。
支持文本、视频、文本+视频多种输入方式，灵活适配不同创作场景。
基于腾讯混元大模型生态，技术成熟度高，且有官方开源权重和推理代码。

不足之处

对视频中复杂声源（如多人对话、嘈杂背景）的分离能力有限，可能产生混叠声音。
生成音频的采样率和时长受限于模型设计，长视频或高音质需求可能需额外处理。
文档/社区待观察

适用场景

影视后期制作中，为无声视频自动添加环境音和动作音效，提升制作效率。
游戏开发中，根据游戏场景和角色动作实时生成动态音效，增强沉浸感。
短视频创作者为素材快速匹配背景音，降低音频编辑门槛。

替代项目

AudioLDM、Make-An-Audio、Diff-Foley

项目介绍

HunyuanVideo-Foley 是音频音乐领域的开源项目，由 Tencent-Hunyuan 开发，2025 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,056）位列前 30%，在音频音乐分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。需自行部署，无在线服务。官网为腾讯混元视频页面，未明确该项目的定价信息。

它主要面向的使用场景是：影视后期制作中，为无声视频自动添加环境音和动作音效，提升制作效率。同类可对比的替代方案包括 AudioLDM、Make-An-Audio、Diff-Foley。

上一篇：lyrictor

下一篇：edge-tts