腾讯混元开源端到端视频音效生成模型HunyuanVideo-Foley

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腾讯，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生成视频只能混元“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，它通过开源构建大规模高质量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，并生成与画端到面精准匹配的音频。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，避免了因过端视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频音定性，保证了专业级的音频保真度。

在多个权威评测基准上，HunyuanVideo-Foley的性能表现全面领先，其音频质量指标PQ从6.17提效生升至6.59，视觉语义对齐指标IB从0.27提升至0.35，时序对齐指标DeSync从0.80优化至0.74，均达到了新的SOTA水平。在主观评测中成模，该模型在音频质量、语义对齐和时间对齐三个维度的平均意见得分均超过4.1分（满分5分），展现了接近专业水准的音频生成效果。

HunyuanVide型Ho-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un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:yuhttps://hunyuan.tencent.com/video/zh?tabIndex=0

• 项目官网:https://szczesnys.gitanhub.io/hunyuanvideo-foley/

• 代码:https://github.com/Tencent-Hunyuan/HunyuaVinVideo-Foley

• 技术报告:https://arxiv.org/abs/2508.16930

• Hugging Face:https://hugdegingface.co/tencent/HunyuanVideo-Foley