無審查 AI 影片 · HKUST & Huawei Research

無審查 UniAVC:香港科技大學(HKUST)與華為的影音模型解析(不是 UNIVAC)

問 AI ▾

UniAVC 是香港科技大學 HKUST LongGroup 實驗室與 Huawei Research(華為)共同打造的統一影音模型:同一組權重可以生成附同步聲音的短片、為無聲影片配上音軌、依音軌生成畫面,或僅憑一條指令同時編輯影片與音訊。它不是 1950 年代的 UNIVAC 電腦。模型以需申請存取的開放權重形式發布,採用 LTX-2 Community License,需要 80 GB GPU,而且沒有無審查版本。本指南說明它能做什麼、如何執行、與 MiniMax-H3 的評測比較,以及如何撰寫提示詞;如果你只是想用自己的照片製作成人影片、又不想下載模型,Spicy AI 上的 H3 Turbo 生成器可直接在瀏覽器中執行。

Spicy AI 並非 UniAVC,本頁目前使用 MiniMax H3 Turbo(免費方案)與 Wan 2.6 生成。

  • 免費開始
  • 無內容過濾
  • 瀏覽器直接使用
試用 H3 Turbo 影片替代方案 →電影畫格與發光的聲波融合成一道串流,代表 UniAVC 統一影音模型

UniAVC 重點速覽

開發者
HKUST LongGroup 與 Huawei Research(香港科技大學、華為)
論文
arXiv 2610.24791,2026 年 10 月 17 日(v2 為 10 月 20 日)
模型規模
19B DiT + Gemma-3 12B 文字編碼器
任務
文字、音訊或影片轉影音;聯合編輯
預設輸出
704×1280、24 fps、約 5 秒,附聲音
GPU
在單張 80 GB 顯示卡上測試
開放權重
是,需申請存取;LTX-2 Community License
無審查?
否;沒有 NSFW 版本或社群版本

UniAVC 替代方案:H3 Turbo 無審查影片生成器

圖片生成影片

上傳照片並描述動作,Spicy AI 會把它變成一段短片。

將讓你的照片動起來。

試試這些提示詞

範例提示詞為英文,生成效果最穩定;你也可以用中文描述。

UniAVC 是什麼?

UniAVC 是 Unified Audio-Video Creation(統一影音創作)的縮寫,是香港科技大學 HKUST LongGroup 實驗室與 Huawei Research(華為)共同開發的研究模型。論文(arXiv 2610.24791)於 2026 年 10 月 17 日首次發布、10 月 20 日修訂,作者包括 Kien T. Pham、Yuhao Liu、Qifeng Chen 與 Long Chen。發布的檢查點由 bf16 精度的 19B 擴散 Transformer(DiT)搭配 Gemma-3 12B 文字編碼器組成;Hugging Face 側欄顯示 23B 參數,可能還計入了 VAE 與聲碼器等額外模組,因此 19B 僅指 DiT 主幹。團隊同時公開了程式碼、權重與 Gradio 示範;命令列腳本只是其中一種執行方式。預設輸出為 704×1280 影片、121 幀、24 fps,約 5 秒,並附上相符的音訊。

為什麼有人想找無審查的 UniAVC

會搜尋無審查 UniAVC 的人,想要的是前面沒有 API 過濾機制的本地影音模型。誠實的答案是:UniAVC 沒有無審查版本。專案頁面與模型卡都沒有提供 NSFW 版本,而 LTX-2 Community License 禁止繞過內容過濾、製作未經同意的深偽內容,以及未揭露的機器生成內容。我們也沒找到任何社群微調版或 LoRA,唯一的儲存庫就是官方的那一個。在本地執行無審查 UniAVC 同樣行不通:本地權重雖然少了 API 的審核層,卻不會改變授權允許的範圍。如果你的目標是用自己的照片製作成人影片,Spicy AI 的圖片轉影片工具執行的是 MiniMax H3 Turbo,沒有額外的審核機制,僅供已同意的成年人使用。這是另一個模型,不具備 UniAVC 的編輯功能。

想要無審查 UniAVC 風格的片段,卻沒有資料中心等級的 GPU?直接在瀏覽器中讓照片動起來。

開啟圖片轉影片 →

UniAVC 不是 UNIVAC:名稱的含義

在 Google 輸入 uniavc,通常會被自動更正為 univac,也就是 1951 年交付的 UNIVAC I 電腦以及 Univac 公司名稱。兩者除了字母相近之外毫無關聯。這是一個 2026 年的 AI 模型,名稱取自論文標題 Unified Audio-Video Creation(統一影音創作)。若要找的是模型而不是電腦,請加上「影音模型」、HKUST 或 arXiv 2610.24791 等限定詞。三個主要來源分別是論文、GitHub 儲存庫 HKUST-LongGroup/UniAVC 與 Hugging Face 儲存庫 TK3105/UniAVC,連結都列在下方的資料來源區。

  • UniAVC:2026 年的影音生成與編輯模型,由 HKUST 與 Huawei Research 合作開發。
  • UNIVAC:1950 年代的早期商用電腦系列,與本模型無關。
  • 搜尋技巧:在名稱後加上「audio video」、「HKUST」、「github」或「huggingface」。

UniAVC 的運作原理:先各自學習,再一起學習

多數影音系統都面臨兩個問題:音質良好的成對片段很稀少;而當影片與音訊共用同一個雜訊排程時,「一方固定、另一方生成」的任務其實從未真正被訓練到。這個模型以三個概念來解決。漸進式訓練先讓影片分支與音訊分支各自在大型單一模態資料集上學會生成與編輯,接著凍結兩者,只用成對資料訓練兩者之間的交叉注意力橋接。非對稱雜訊排程維持共用的時間步,但讓每個分支走各自的雜訊軌跡,因為影片需要保持較長時間的雜訊狀態來組織空間與動作,而音訊會較早收斂。乾淨分支子任務則在訓練時將其中一個分支固定為乾淨輸入,讓模型直接學會以一條串流為條件生成另一條。結果是所有任務共用一個檢查點,不需要任務專用的轉接器:切換任務只需改變輸入與腳本,不必更換權重。

訓練階段使用資料(論文)學習內容
影片分支從 15.3M 資料池取出 34.3M 個樣本單獨生成與編輯影片
音訊分支從 14.9M 資料池取出 54.9M 個樣本單獨生成與編輯聲音
對齊從 0.74M 資料池取出 0.67M 個成對樣本讓畫面與聲音保持同步

成對資料集比單一模態資料小了一個數量級以上,這正是漸進式設計的用意。

UniAVC 任務:生成、跨模態與聯合編輯

它涵蓋三種生成模式與一種編輯模式,各有對應的推論腳本。文字轉影音僅憑提示詞就能生成片段與配樂。音訊轉影片保留輸入音軌,並生成相符的畫面。影片轉音訊保留輸入影片,並生成相符的配樂。聯合編輯則以一條指令同時修改畫面與聲音;官方示範涵蓋五種編輯類型:替換主體(例如把 T 恤換成藍色自行車衣,而吧台、米色牆面與燈光保持不變)、新增主體、移除主體(例如移除檯燈,並補上後方的窗戶與窗簾)、編輯語音讓人物說出新台詞並搭配相符的嘴型,以及替換背景。每段輸出約 5 秒;團隊尚未公布長影片的方法,因此較長的作品需要由多段片段拼接而成。

任務輸入輸出腳本
文字轉影音(t2av)僅提示詞全新影片與聲音infer_t2av.py
音訊轉影片(ta2v)提示詞與音訊影片;保留音訊infer_ta2v.py
影片轉音訊(tv2a)提示詞與影片音訊;保留影片infer_tv2a.py
聯合編輯(tav2av)指令、影片與音訊編輯後的影片與聲音infer_tav2av.py

意圖感知編輯與自我精修

有兩項功能讓這個模型不只適合做示範,也能實際用於後製。意圖感知編輯會凍結其中一個分支並以它作為條件,因此你可以只修改音訊、畫面完全不變,或只修改畫面、旁白完全不動。這就是在不重新算圖的情況下替換配音、或在保留原始對白的同時替換背景的工作流程。推論後自我精修則處理常見的情況:結果的一半很好、另一半不理想。模型會以已接受的分支作為固定參考,只對較弱的分支重新加噪與去噪。README 範例使用 --post-refine audio 與 --refine-lambda 0.5 來精修音訊,預設約執行 15 步。

  • 換配音、保留畫面:凍結影片,編輯音訊。
  • 換場景、保留旁白:凍結音訊,編輯影片。
  • 只修較弱的一半:生成後精修音訊或影片,而不是從頭再來。

UniAVC 硬體需求與本地部署顯存:80 GB GPU

硬體決定了你能不能用這個模型。19B DiT 與 Gemma-3 12B 編碼器合計約 65 GB,光是主要的 model.safetensors 檔案就約 46.1 GB。在預設的分段卸載下,峰值顯存佔用約為 DiT 的 39 GB 再加上激活值,團隊是在單張 80 GB GPU 上測試的。使用 --no-offload 關閉卸載會讓所有權重常駐顯存,README 指出在預設 720p 尺寸下所需遠超過一張 80 GB 顯示卡,而 --no-tiled 解碼會進一步增加記憶體用量。目前沒有在 24 GB 或 48 GB 消費級顯示卡上本地部署成功的案例,因此不要指望能用。團隊也沒有公布生成時間;在 19B DiT 上跑 30 步去噪是很重的工作,實際速度取決於你的 GPU 與卸載設定。

規格數值
權重19B DiT(bf16)+ Gemma-3 12B 文字編碼器
下載大小總計約 65 GB;model.safetensors 約 46.1 GB
峰值顯存(開啟卸載)約 39 GB 加上激活值
測試 GPU單張 80 GB 顯示卡
預設輸出704×1280、121 幀、24 fps、約 5 秒
尺寸規則高與寬須為 32 的倍數;幀數為 8k+1
預設值30 步、seed 42、開啟 --offload
軟體Python 3.10、CUDA 12.8、PyTorch 2.8
黑暗機櫃中發光的資料中心 GPU 伺服器,示意本地影音推論所需的 80 GB 顯示卡

UniAVC GitHub 與 Hugging Face 下載:本地部署步驟

程式碼放在 GitHub 的 HKUST-LongGroup/UniAVC,權重放在 Hugging Face 的 TK3105/UniAVC。權重儲存庫需要申請存取,因此你必須先登入並接受條款,下載才會成功。目前採用者仍不多:發布後不久,GitHub 儲存庫約有 35 顆星,權重約有 6 次下載與 8 個讚。這些數字反映的是研究者的早期關注,而非搜尋需求。本地部署遵循標準的 Python 流程,摘要如下;各腳本的確切參數請查閱 README。

  • 1. 建立 Python 3.10 環境(例如使用 conda),並安裝針對 CUDA 12.8 建置的 PyTorch 2.8。
  • 2. 複製 GitHub 儲存庫,然後執行 pip install -r requirements.txt 與 pip install -e .
  • 3. 登入 Hugging Face,在 TK3105/UniAVC 接受存取條款,然後執行 bash scripts/download_weights.sh;它也會一併下載 Gemma-3 文字編碼器。
  • 4. 先以預設尺寸執行 infer_t2av.py,再嘗試 infer_ta2v.py、infer_tv2a.py 與 infer_tav2av.py,或啟動隨附的 Gradio app.py。
  • 常見錯誤:下載遭拒(未接受存取條款)、缺少 Gemma-3 檔案、幀數不是 8k+1、高或寬不是 32 的倍數,以及使用 --no-offload 或 --no-tiled 後顯存不足。

UniAVC 能在 ComfyUI 中使用嗎?

官方並不支援。README 只提供命令列腳本與 Gradio 應用程式,沒有官方 ComfyUI 節點,在 Hugging Face Spaces 搜尋 UniAVC 也找不到託管示範。社群節點日後或許會出現,但目前無法從可靠來源證實,因此任何第三方節點都應視為非官方,並確認它實際載入的內容。由於模型是從 LTX-2.3 初始化,LTX 的工具或許能讓移植更容易,但這只是預期,並非已發布的功能。目前實際可行的做法,是在自己的大顯存機器上執行 Gradio 應用程式,或將 CLI 腳本包進自己的流程中。

UniAVC 與 MiniMax-H3 比較:評測結果

論文將此模型與 MiniMax-H3、InstructAV2AV、JAVEdit 與 JoVA 進行比較。所有數字皆由作者自行回報,尚未經過獨立重現,論文本身也只稱結果具競爭力,而非全面領先。在編輯方面,它在 JAVEditBench 的指令遵循度與影片保真度上領先,在 InsAVE-80K 的 FVD 也低得多。在聯合生成方面,H3 在 Verse-Bench 的感知品質、文字一致性與嘴型同步上得分較高,在 InsAVE-80K 的 PEAVS 也較高。公允的總結是:HKUST 的模型作為編輯器更強,H3 作為生成器更強。

評測與指標UniAVCMiniMax-H3InstructAV2AV
JAVEditBench IC ↑4.424.112.88
JAVEditBench VF ↑4.484.173.93
JAVEditBench AQ ↑2.592.421.40
JAVEditBench AVS ↑0.29750.23070.1759
InsAVE-80K FVD ↓150.86211.24180.38
InsAVE-80K FAD ↓1.993.252.75
InsAVE-80K PEAVS ↑3.513.753.24
Verse-Bench PQ ↑6.266.87未回報
Verse-Bench LSE-C ↑6.726.96未回報
Verse-Bench WER ↓0.080.13未回報

↑ 越高越好,↓ 越低越好。JAVEdit 在 JAVEditBench 的 AVS 為 0.3688,高於上述三者。跨模態結果:音訊轉影片 FVD 103.17,影片轉音訊 FAD 10.12。

UniAVC 與 LTX-2.3、InstructAV2AV 比較:該選哪個

Lightricks 的 LTX-2.3 是它的基礎模型:一個 22B 的開放權重 DiT,擁有龐大的社群 LoRA 生態系。HKUST 團隊在其上加入音訊分支與跨模態橋接,目標是聯合編輯;若只是單純生成,LTX-2.3 是更成熟的選擇,工具也多得多。InstructAV2AV 是論文中主要的編輯基準:新模型在指令遵循度、保真度與 FVD 上勝過它,而 InstructAV2AV 在部分對齊指標上得分較高,例如 InsAVE-80K 的 TA-A。在論文自己的表格中,MiniMax-H3 仍是較強的生成器。

UniAVCLTX-2.3MiniMax-H3
定位影音聯合編輯影片生成聯合生成與編輯
開放權重是,需申請存取是見 MiniMax 官方說明
生態系僅官方儲存庫大量社群 LoRA官方工具
最適合研究與可重現的編輯成熟的本地工作流程精緻的生成品質

三者都無法在消費級顯示卡上順暢執行。

UniAVC 是開源的嗎?開放權重與商業使用

UniAVC 是開放權重,而非 OSI 定義下的開源。程式碼與權重皆公開,接受存取條款後即可免費下載,但它們採用 Lightricks 的 LTX-2 Community License,因為它衍生自 LTX-2.3,而衍生作品必須沿用該授權。個人、研究者與較小型的公司可以使用、修改與託管它,而年營收(連同關係企業合併計算)達 1,000 萬美元以上的實體,需要另行向 Lightricks 取得商業授權。任何再散布者都必須附上完整協議、將可接受使用政策傳達給下游使用者,並保留標示。Lightricks 不主張你輸出內容的權利,但你須對輸入、輸出及其使用方式負責。進行任何商業專案前,請先閱讀協議本身。

有無審查 UniAVC 嗎?

沒有。不存在無審查 UniAVC 或 NSFW 版本,而授權的可接受使用政策明確禁止繞過內容過濾、未經同意製作的深偽內容、未揭露的 AI 生成媒體,以及任何涉及未成年人的內容。在 Hugging Face 搜尋只會找到官方儲存庫,沒有微調版或 LoRA。LTX-2.3 有許多社群 LoRA,但它們屬於基礎模型,而非 UniAVC,且同樣適用該授權。我們不提供移除過濾的提示詞或腳本。若要製作你被允許製作的成人影片,託管工具是更簡單的途徑:Spicy AI 的圖片轉影片頁面使用 MiniMax H3 Turbo 讓你自己的照片動起來,沒有額外的審核機制,僅供已同意的成年人(18+)使用。

在找無審查 UniAVC 的替代方案?線上讓你自己的照片動起來,不需要本地 GPU。

讓照片動起來 →

UniAVC 適合誰,以及大家如何使用

這個模型最接近研究與後製用的原型:5 秒片段、720p 等級的輸出和資料中心等級的硬體,讓多數愛好者難以使用,但它的編輯技巧正好對應實際製作中的雜務。短劇與社群影片團隊花大量時間在重新配音、修改台詞與更換背景上,這些正是官方示範所展示的編輯。在地化團隊可以嘗試在保留畫面的同時替換一句台詞,音效設計師可以為無聲素材生成配樂,研究者則能以公開程式碼取得可重現的影音聯合編輯基準。任何涉及真人臉孔或聲音的編輯,都需要取得當事人的書面同意,並清楚標示為 AI 生成。

  • 台詞修正:修改一句台詞並搭配相符的嘴型,同時保留現場環境音。
  • 配音與在地化測試:凍結畫面,替換人聲音軌。
  • 為無聲片段配音效:執行影片轉音訊,加入與動作相符的腳步聲、雨聲或車流聲。
  • 替換背景:把場景從辦公室移到街頭,不必重拍主體。
  • 音樂驅動的畫面:輸入一段短音軌,生成與之相符的畫面。
  • 研究基準:以已發表的數字比較新的聯合編輯方法。

如何撰寫有效的 UniAVC 提示詞

由於一條提示詞同時驅動畫面與聲音,請把它寫成簡短的鏡頭描述,並另外寫一行聲音描述。以平實的句子描述一個鏡頭、一個主要動作,順序為:主體、動作、場景、運鏡、光線,最後是音訊。編輯時,請把指令寫成「要改什麼」加上「什麼必須保持不變」;官方範例一定會點名要保留的部分,例如背景、燈光或其他人物。編輯語音時,請一字不差地引用新台詞,並說明是誰的聲音。生成內容請控制在約 5 秒的動作,因為這是預設片段長度,也請記得尺寸必須是 32 的倍數、幀數為 8k+1。

  • 明確寫出聲音:「窗上的細雨聲、遠處的車流聲」勝過「逼真的音訊」。
  • 編輯=修改+保留:「把檯燈換成盆栽;保留窗戶、窗簾與光線。」
  • 語音編輯:「她以平靜的語氣說『明天見』;保留背景的交談聲。」
  • 音訊轉影片時,只描述畫面;音軌已經決定了節奏。
  • 影片轉音訊時,依畫面中出現的順序列出聲音來源。
影片剪輯時間軸上畫面軌與波形軌並排,示意影片與聲音的聯合編輯

可直接複製的 UniAVC 提示詞範本

替換方括號內的部分並保留結構。前幾列適用於模型本身的腳本;最後一列是為圖片轉影片而寫,因此也可以在上方的無審查 UniAVC 替代生成器中試用。

目標範本
文字轉影音[成年主體] 在 [場景] [一個動作],[運鏡],[光源]。聲音:[環境音],[人聲或音樂]。
主體編輯把 [物品] 換成 [新物品];[背景]、[燈光] 與 [其他人物] 保持不變,保留音訊。
移除物件移除前景中的 [物件],並補上 [其後方的區域];保留配樂。
語音編輯[人物] 現在以相同的聲音說「[新台詞]」,嘴型相符;保留畫面與背景聲。
影片轉音訊為這段片段生成聲音:[聲源 1],接著 [聲源 2],[室內底噪],不要音樂。
圖片轉影片(替代方案)[主體] 轉向鏡頭並說「[短句]」,緩慢推近,[光線],[環境音]。

逐步教學:在 Spicy AI 上使用無審查 UniAVC 替代方案

如果你沒有資料中心等級的硬體,瀏覽器流程可省去 65 GB 的下載。它執行的是 MiniMax H3 Turbo 圖片轉影片,而非 UniAVC,因此沒有影音聯合編輯;你是用提示詞讓一張照片動起來。

  • 1. 從本頁頂端的按鈕開啟圖片轉影片工具;替代模型已預先選好。
  • 2. 上傳一張清晰的成人照片,須為你本人擁有或已取得同意使用。
  • 3. 貼上上方的圖片轉影片範本,並填入動作、運鏡、光線與聲音。
  • 4. 生成一段短片,檢查動作,之後每次重試只改一個元素。
  • 5. 下載結果,分享時標示為 AI 生成。

你可以做什麼

照片轉短片

在瀏覽器中讓成人肖像動起來變成短片,作為較輕量的無審查 UniAVC 替代方案。

說話鏡頭

主體轉身、微笑並說出一句短台詞,這也是 HKUST 模型的語音編輯所鎖定的形式。

氛圍場景

燭光房間、雨景與霓虹街頭,適用於已同意的成年角色。

做出 UniAVC 風格的提示詞技巧

  1. 一個鏡頭只寫一個動作,並為聲音單獨寫一句。
  2. 編輯時,一定要說明哪些部分必須保持不變。
  3. 請以 80 GB GPU 為準;消費級顯示卡尚未經過測試。
  4. 幀數維持 8k+1、尺寸維持 32 的倍數,以避免錯誤。
  5. 只使用已同意的成年人的臉孔與聲音,並標示 AI 輸出內容。

自己部署 UniAVC vs 在 Spicy AI 線上生成

本地部署(官方權重)Spicy AI 線上
內容過濾由 HKUST & Huawei Research 決定無內容過濾
開放權重是不需要,瀏覽器直接用
模型UniAVCMiniMax H3 Turbo(免費方案)與 Wan 2.6
入門價格依方案而定提供免費額度
  • 瀏覽器內圖片生成影片
  • 免費佇列 0 點數(需登入,每日有上限)
  • 支援直式(9:16)與橫式(16:9)影片

常見問題

UniAVC 是什麼?由誰開發?

UniAVC 是香港科技大學 HKUST LongGroup 實驗室與 Huawei Research(華為)共同開發的統一影音生成與編輯模型,論文為 arXiv 2610.24791(2026 年 10 月)。同一組權重可處理文字轉影音、音訊轉影片、影片轉音訊與聯合編輯。

UniAVC 和 UNIVAC 是同一個東西嗎?

不是。UNIVAC 是 1950 年代的電腦系列。Google 常把 uniavc 更正為 univac,因此搜尋時請加上「影音模型」、「HKUST」或 arXiv 編號。

UniAVC 需要什麼 GPU?

團隊是在單張 80 GB GPU 上測試的。權重總計約 65 GB,預設卸載模式下峰值顯存約 39 GB 加上激活值。24 GB 與 48 GB 顯示卡尚未經過驗證。

UniAVC 的片段有多長?

預設為 704×1280、121 幀、24 fps,約 5 秒。目前沒有官方的長影片模式。

有無審查 UniAVC 嗎?

沒有。既沒有 NSFW 版本,也沒有社群微調版,而且授權禁止繞過內容過濾。Spicy AI 提供 H3 Turbo 圖片轉影片,作為獨立、僅限成人使用的替代方案。

Spicy AI 和 HKUST & Huawei Research 有關係嗎?

沒有。Spicy AI 是獨立平台,與 HKUST & Huawei Research 沒有任何隸屬或背書關係。UniAVC 為其所有者的商標。

免費嗎?

可以免費開始:登入後,Spicy AI 的免費影片佇列會用 MiniMax H3 Turbo 讓你的照片動起來,消耗 0 點數,每日有次數上限。高速佇列、其他影片模型以及更長的影片需要點數。

資料來源

Spicy AI 與 HKUST & Huawei Research 無任何關係。UniAVC 及其他產品名稱為各自所有者的商標,僅用於識別。所有內容中的人物必須為成年人(18 歲以上)。

Sign in

Welcome to Spicy AI

or