Phantom是一款由字节跳动研究团队开发的开源 AI 视频生成框架,专注于实现 主题一致性的视频生成(Subject-Consistent Video Generation)。它通过跨模态对齐(Cross-Modal Alignment)技术,将文本、图像和视频三种模态深度融合,生成在人物外观、身份、动作等方面高度一致的视频内容。
该项目已被 ICCV 2025 国际计算机视觉大会接收,代表其在学术和技术领域的前沿地位。
Phantom的主要功能特点
- 主题一致性建模(Subject Consistency):保证视频中人物的身份、外观、动作在整个生成过程中保持一致。支持输入 1~4 张参考图像,精准还原人物细节与风格。
- 跨模态对齐(Cross-Modal Alignment):融合文本、图像、视频三种模态,实现语义与视觉的深度一致。支持文本到视频(Text-to-Video)与图像到视频(Image-to-Video)双向生成。
- 高质量视频生成:支持 480P 和 720P 分辨率的视频输出,可生成 16fps 或 24fps 的自然流畅动画。适配横屏视频生成,稳定性更高。
- 模块化架构与开源支持:基于 Wan2.1 模型构建,支持 Phantom-Wan-1.3B 和 Phantom-Wan-14B 两个版本。提供完整的推理脚本、训练代码和模型权重,便于研究与二次开发。
- 多主体与复杂场景支持:可处理多人物、多物体、多角度的复杂视频生成任务。支持虚拟角色、动物、服饰等多种参考主体的融合生成。
- 多风格与多场景适配:支持写实风、卡通风、幻想风等多种视频风格。可生成室内、户外、自然、都市等多样化场景。
应用场景
- 数字人生成:打造虚拟主播、虚拟偶像等一致性数字形象
- 广告与短视频制作:根据图像和文本快速生成产品宣传视频
- 动画与影视原型:生成角色动画草稿,辅助剧本创作与视觉预览
- 教育与培训内容:生成教学视频、历史场景、科学实验演示
- 虚拟试穿与时尚展示:生成服装动态展示视频,适用于电商与时尚行业
项目地址
- Phantom的GitHub地址:https://github.com/Phantom-video/Phantom
- Phantom论文:https://arxiv.org/abs/2502.11079
一句话总结:Phantom 是一个专注于“人物一致性”的 AI 视频生成框架,融合文本、图像与视频三模态,适合研究者与创作者探索高质量、可控的视频生成技术。