最近真的是一天一个开源新技术，都要写不过来了。 今天我们要介绍的是字节最新开源的 Phantom：主体一致视频生成框架。主要是通过跨模态对齐技术，从参考图像中提取主体元素「如人物、动物、物体等」，并结合文本指令生成与主体高度一致的高质量视频内容。 可以是参考单主体生成视频，也可以是参考多主体生成视频，一致性保持的都很好。 这次开源的是基于阿里 Wan2.1 训练的 1.3B 的模型，所以显存占用也不高，生成 1280 * 768 分辨率的视频也只需要 12G ，如果打开 BlockSwap，需要的显存只会更少。832 * 480 分辨率也只需要 8G 显存。 虽然是一个 1.3B 的模型，但是主体一致性参考效果是一点也不差。 好了，话不多说，我们直接开整。
项目地址：https://github.com/Phantom-video/Phantom
先来看看效果：
这一致性保持的还是相当不错的吧，以后线上试衣，只需要上传自己的照片和挑选中意的衣服，就可以直接生成穿衣视频了，合不合适一目了然。
提示词也是相当简单：女孩穿着T恤，慢慢转身
视频质量有一些瑕疵，不过一致性的效果还是很棒的，毕竟是 1.3B 参数量的模型，后续升级版本效果肯定会更好。
效果不好的话可以调整一下提示词，可以稍微详细的描述一下主体的特点。
比如下边这个视频的提示词：一个粉色头发的小女孩骑在一只橙色的小动物的身上。
想要本地体验，依旧是需要用到 KJ 大佬的 ComfyUI-WanVideoWrapper 插件，最近几篇文章一直在让小伙伴们更新这个插件，太高产了。
为了更好的阅读体验，来飞书看吧：
https://dardrwsz7u9.feishu.cn/docx/Q4R3dpmgQolZ4exCqAscqoV0nSf
Comments on "[ComfyUI]字节又出王炸，多主体一致性视频生成！虚拟试衣新视角！ 副本" :