字节释出Phantom-Wan-14B！从参考图像中提取关键主体元素生成一致性视频

字节跳动于4月份正式开源了其统一视频生成框架 Phantom，这是一个专注于“主体一致性（Subject-to-Video, S2V）”的视频生成框架。它能够从参考图像中提取关键主体元素，并结合文本描述，生成符合预期、视觉一致的高质量视频。

字节跳动推出统一的视频生成框架Phantom ：通过跨模态对齐实现主体一致性的视频生成

什么是 Phantom？

Phantom 是一个跨模态对齐驱动的视频生成框架，核心目标是确保视频中的主体（如人物、动物或物体）在生成过程中保持与输入图像和文本的高度一致。

它不仅支持单个主体的视频生成，还支持多主体交互场景，适用于数字人、虚拟试穿、AI短片创作等多种应用场景。

核心功能亮点

✅ 主体一致性视频生成（S2V）

• 单主体生成：输入一张人物/物体图片 + 文本指令（如“她在跳舞”），即可生成对应动作的视频。
• 多主体生成：输入多张图片 + 描述（如“一个人和一只狗在公园玩耍”），可生成互动式视频。

✅ 面部 ID 保持

在生成人物视频时，Phantom 能够有效保留原始面部特征，避免身份漂移问题，特别适合需要高度真实感的数字人应用。

模型演进与现状

字节跳动自今年4月起已陆续发布多个 Phantom 模型：

据官方透露，未来还将推出：

• Phantom-Wan-14B Pro
• 相关训练数据集
• 完整训练代码

此外，开发者 kijai的ComfyUI插件ComfyUI-WanVideoWrapper早在4月就已经支持此模型，并发布了量化版本模型，进一步降低了本地部署门槛。

• 模型：https://huggingface.co/bytedance-research/Phantom
• GitHub：https://github.com/kijai/ComfyUI-WanVideoWrapper
• 量化版模型：https://huggingface.co/Kijai/WanVideo_comfy/tree/main
• 量化版：https://www.modelscope.cn/models/Kijai/WanVideo_comfy/files（国内用户请从此下载）

如何使用 Phantom-Wan系列模型？

• 安装所需插件，如ComfyUI-WanVideoWrapper
• 将提供的工作流文件拖入 ComfyUI 界面，从GitHub上下载或者从ComfyUI-WanVideoWrapper
  /example_workflows文件夹

• 下载对应的 Phantom 模型（WAN-1.3B 或 WAN-14B）
• 加载参考图像 + 输入文本指令，开始生成视频

⚠️ 注意：Phantom-Wan-14B 体积较大，生成过程耗时较长，推荐在云端平台运行以提升效率。