💡 站外导读：在AIGC视频生成领域，如何精准、连贯地生成包含复杂人物与物体交互的长视频，一直是行业痛点。传统方法往往需要多个专用模型拼接，或在音视频同步、多模态控制上存在瓶颈。字节跳动联合香港中文大学、香港大学等顶尖机构，重磅开源了OmniShow——一个参数高效（12.3B）却功能强大的统一框架，首次将参考图像、音频、姿势和文本四种模态输入整合到单一的端到端模型中，旨在一站式解决高质量人-物交互视频的生成难题。
OmniShow是什么
OmniShow是字节跳动联合港中文、莫纳什、港大开源的多模态人-物交互视频生成模型。作为首个支持RAP2V（参考图+音频+姿势）的端到端框架，模型统一处理文本、图像、音频、姿势四种输入，单一12.3B参数模型即可生成10秒高质量视频。模型采用门控局部上下文注意力等技术实现音视频精确同步，在HOIVG-Bench基准上达多项SOTA。
阅读目录
OmniShow的主要功能
-
全模态条件输入：作为首个完整支持 RAP2V（Reference+Audio+Pose-to-Video）的端到端框架，OmniShow 能同时接收参考图像、音频、姿势信号和文本描述四种模态输入，实现对人-物交互视频的全面控制。
-
多任务统一生成：模型通过灵活组合不同输入条件，可在单一架构内完成多种视频生成任务，包括基于参考图的视频生成（R2V）、音频驱动的数字人视频（RA2V）、姿势驱动的动画（RP2V）以及全模态精确控制（RAP2V）。
-
高质量长视频合成：OmniShow 原生支持生成长达 10 秒的连续视频，在保持角色外观一致性的同时，实现口型、表情和肢体动作与音频的精确同步，输出达到行业级视觉质量。
-
物体替换与视频混剪：用户可在保留人物动作和姿势的前提下替换视频中的物体，或从不同来源重组姿势、物体和人物参考，实现灵活的创意视频编辑与合成。
OmniShow的技术原理
- 统一通道条件注入：通过在通道维度拼接参考图像和姿势信号，将多模态条件高效注入预训练视频生成模型，避免了传统调制方法对基础模型预训练先验的破坏，确保在引入人-物外观和动作控制的同时维持原始生成质量。
- 门控局部上下文注意力：采用掩码注意力配合可学习门控向量的设计，使模型能动态关注音频特征与局部面部/身体区域的关联，实现口型、表情和肢体动作与音频信号的精确时间同步，解决多模态融合时的特征冲突问题。
- 解耦-联合训练策略：针对 R2V 和 A2V 任务数据异构且规模不平衡的挑战，分别训练专用子模型学习各模态的独立映射关系，通过权重插值进行融合，在联合数据上微调，有效整合异构数据集并提升全模态输入下的生成一致性。
如何使用OmniShow
-
获取开源代码：从官方渠道克隆代码库到本地，按照 README 配置包含依赖项的运行环境。
-
准备多模态输入：根据生成任务需求，整理参考图像（人物或物体外观）、驱动音频、姿势序列文件及文本描述。
-
执行视频生成：调用模型 API 或运行推理脚本，输入组合后的多模态条件，生成长达 10 秒的高质量人-物交互视频并保存输出结果。
OmniShow的关键信息和使用要求
-
项目定位：OmniShow 是字节跳动联合香港中文大学、莫纳什大学、香港大学共同开源的行业级多模态人-物交互视频生成模型，专为复杂的人与物体互动场景设计。
-
技术规模：模型采用 12.3B 参数架构，是同类模型（如 HuMo-17B、Phantom-14B）中最为参数高效的方案，在保持高性能的同时显著降低计算资源需求。
-
核心能力：作为首个完整支持 RAP2V（Reference+Audio+Pose-to-Video）的端到端统一框架，能同时接收参考图像、音频信号、姿势序列和文本描述四种模态输入进行联合推理。
-
生成质量：原生支持生成最长 10 秒的连续视频，通过门控局部上下文注意力技术实现口型、表情、肢体动作与音频的精确同步，达到行业级视觉标准。
-
性能表现：在自建的 HOIVG-Bench 基准测试中，OmniShow 在 R2V、RA2V、RP2V 和 RAP2V 四项任务上均达到 SOTA 水平，是唯一支持全模态输入的领先方案。
OmniShow的核心优势
-
全模态统一架构：作为业界首个完整支持 RAP2V（参考图+音频+姿势→视频）的端到端框架，OmniShow 实现了文本、图像、音频、姿势四种条件的原生统一处理，无需多个专用模型拼接即可应对复杂的多模态输入组合。
-
极致参数效率：12.3B 参数在 HOIVG-Bench 基准上达到多项 SOTA，显著优于 HuMo-17B（17B）、Phantom-14B（14B）等更大参数模型，在保持行业级生成质量的同时大幅降低推理成本。
-
单一模型多任务覆盖：通过灵活的输入组合策略，一个 OmniShow 模型即可胜任 R2V（参考图生成）、RA2V（音频驱动数字人）、RP2V（姿势驱动动画）和完整 RAP2V（全模态控制）四类任务，无需针对不同场景切换模型。
-
音视频精确同步：采用创新的门控局部上下文注意力机制，通过可学习门控向量和掩码注意力实现口型、面部表情、肢体动作与音频信号的高度同步，在 Sync-C 指标上达到 8.612 的领先水平。
-
长视频原生生成：不同于依赖滑动窗口的外推方法，OmniShow 原生支持一次生成长达 10 秒的连续视频，在保持角色外观、物体样式和时间连贯性方面具有显著优势。
OmniShow的项目地址
- 项目官网：https://correr-zhou.github.io/OmniShow/
- GitHub仓库：https://github.com/Correr-Zhou/OmniShow
OmniShow的同类竞品对比
| 对比维度 | OmniShow | HuMo-17B | Phantom-14B |
|---|---|---|---|
| 参数规模 | 12.3B（最轻量） | 17B（+38%） | 14B（+14%） |
| 支持任务 | R2V / RA2V / RP2V / RAP2V（全模态） | R2V / RA2V（无姿势） | 仅 R2V（无音频/姿势） |
| 架构特点 | 端到端统一框架，单模型多任务 | 专用人-物交互模型，需配合其他工具 | 基础参考图生成模型 |
| R2V 质量（NexusScore） | 0.389（SOTA） | 0.346（低 11%） | 0.366（低 6%） |
| RA2V 同步（Sync-C） | 8.612（SOTA） | 8.028（低 7%） | 不支持 |
| RP2V 精度（PCK） | 0.460（SOTA） | 不支持 | 不支持 |
| 视频时长 | 原生 10 秒 | 通常 5-8 秒 | 通常 5 秒 |
| 应用场景 | 数字人、动画、物体替换、混剪全覆盖 | 有限的人-物交互 | 静态外观迁移 |
OmniShow的应用场景
- 电商产品展示：通过参考图像替换功能，可在保持模特动作和姿势不变的情况下，快速替换展示服装、配饰或商品，实现高效的商品视频化呈现。
- 数字人短视频制作：基于 RA2V（参考图+音频）能力，输入人物照片和语音可生成口型同步的说话或唱歌视频，适用虚拟主播、社交媒体内容创作。
- 创意视频混剪：用多模态重组能力，从不同来源提取姿势、物体和人物参考进行创意合成，实现跨视频的个性化内容编辑与二次创作。
- 互动娱乐与游戏：借助姿势驱动（RP2V）功能，将用户动作捕捉实时转化为游戏角色或虚拟形象的动画，支持全身姿态控制的实时交互体验。
- 广告与营销内容生成：结合全模态输入（RAP2V），精确控制品牌代言人外观、台词音频和肢体动作，批量生成风格统一的宣传视频素材。
📝 站长洞察 (Editor’s Insight)
OmniShow的发布，标志着视频生成技术从“单点突破”迈向“系统级统一”的关键一步。其核心价值不仅在于首个支持RAP2V全模态输入的端到端框架，更在于其出色的参数效率（12.3B超越17B和14B模型）和原生长视频生成能力。这背后反映了行业两大趋势：一是模型架构从“专用”向“通用”演进，追求单一模型覆盖多任务，降低部署与使用复杂度；二是对“精准控制”和“多模态同步”提出了更高要求，尤其是音视频的毫秒级同步，这决定了数字人、虚拟主播等应用的真实感上限。字节此次联合学术界开源，既展示了其扎实的工程化与算法融合能力，也意在引领视频生成的标准制定。对于开发者而言，一个轻量、开源且性能SOTA的统一基座模型，将极大降低创新门槛，加速短视频、电商、营销等场景的AIGC应用落地。
