IT之家 8 月 28 日消息，騰訊混元今天午間宣布開源端到端視頻音效生成模型 Hunyuan-Foley，用戶只需輸入視頻和文字，就能為視頻匹配電影級音效。

根據官方介紹，HunyuanVideo-Foley 不僅打破了 AI 生成的視頻只能“看”不能“聽” 的局限，讓無聲 AI 視頻成為歷史，更是真正做到了“看懂畫面、讀懂文字、配準聲音”，帶來沉浸式視聽體驗。這款音效生成工具可廣泛應用于短視頻創作、電影制作、廣告創意和游戲開發等場景。

文字描述：Engine revving loudly and accelerating.

文本描述：Rustling and crunching of leaves and twigs under the fox kit's paws.

混元團隊開發了一個全面的數據處理管道，能夠自動化標注和過濾收集的音視頻數據，構建了約 10 萬小時級的高質量 TV2A 數據集，為模型訓練提供了強大支撐，使得模型擁有強大的泛化能力，能夠在各種復雜的視頻條件下生成音畫一致、語義對齊的高質量音頻，包括音效與背景音樂。生成的音頻能夠與無聲視頻相結合，極大提升了視頻的真實感和沉浸感。