8 月 28 日，腾讯混元宣布开源端到端视频音效生成模型 HunyuanVideo-Foley，这一模型能够通过输入视频和文字为视频匹配电影级音效，为视频创作带来了新的突破。用户只需输入相应的文本描述，HunyuanVideo-Foley 就能生成与画面精准匹配的音频，从而打破 AI 生成视频只能 「看」 不能 「听」 的局限，让无声 AI 视频成为历史。
HunyuanVideo-Foley 的出现解决了现有音频生成技术面临的三大痛点。首先，它通过构建大规模高质量 TV2A（文本-视频-音频） 数据集，提升了模型的泛化能力，使其能够适配人物、动物、自然景观、卡通动画等各类视频，并生成与画面精准匹配的音频。其次，该模型采用创新的双流多模态扩散变换器(MMDiT) 架构，能够平衡文本和视频语义，生成层次丰富的复合音效，避免了因过度依赖文本语义而导致的音频与场景脱节问题。最后，HunyuanVideo-Foley 通过引入表征对齐 (REPA) 损失函数，提升了音频生成的质量和稳定性，保证了专业级的音频保真度。
在多个
HunyuanVideo-Foley 的开源为行业提供了可复用的技术范式，将加速多模态 AI 在内容创作领域的落地。短视频创作者可以一键生成场景化音效，电影团队能够快速完成环境音设计，游戏开发者可以高效构建沉浸式听觉体验。
目前，用户可以在 Github、HuggingFace 下载模型，也可以在混元官网直接体验。
-
体验入口:https://hunyuan.tencent.com/video/zh?tabIndex=0
-
项目官网:https://szczesnys.github.io/hunyuanvideo-foley/
-
代码:https://github.com/Tencent-Hunyuan/HunyuanVideo-Foley
-
技术报告:https://arxiv.org/abs/2508.16930
-
HuggingFace:https://huggingface.co/tencent/HunyuanVideo-Foley
