随手拍的一张图，就能秒变 3A 级游戏大作？！
刚刚，腾讯全新开源游戏视频生成框架Hunyuan-GameCraft，专为游戏环境设计，让任何人都能轻松搞定游戏制作。
无论是水墨风：
基于腾讯混元视频生成 HunyuanVideo 搭建，可以实时生成流畅画面。
操作也很 so easy，只需要：单张场景图 + 文字描述 + 动作指令 = 高清动态游戏视频。
实机演示
先来康康几个生成案例尝尝鲜：
首先做一个中世纪的乡村风格场景，画面流畅自然，镜头随第一视角动态移动。
Prompt：A picturesque village scene featuring quaint houses, a windmill, lush greenery, and a serene mountain backdrop under a bright blue sky.
或者试试多动作场景，可以在转换视角的同时完成行走动作。
Prompt：A sunlit courtyard features white adobe buildings with arched doorways and windows, surrounded by lush greenery and palm trees, creating a serene Mediterranean ambiance.
还能保持历史一致性，移开镜头回来之后，场景不会出现变形情况。
Prompt：A medieval stone castle stands tall under a dark sky, its glowing windows contrasting with the surrounding snow-covered landscape.
除了第一视角，也可以进行第三人称视角生成。
Prompt：A dark, sleek car is driving down a winding road at night, its headlights illuminating the path ahead.
除了视角切换、场景转换这类基础生成能力，例如动态天气（云层移动、雪花飘落）以及 NPC 互动等复杂内容，也能被 Hunyuan-GameCraft 一一实现。
那么具体是怎么做到的呢？
个人生产 3A 级动态内容
要知道，传统的游戏视频生成工具长期面临三大瓶颈：
动作僵硬、场景静态
角色移动机械单一，只能够简单的平移或转身，且二者不能同时完成，整个运动范围也都局限在非常小的区域。
场景依赖预渲染，一旦完成静态 3D 场景构建，再对其进行改动，后续场景将失去动态能力。
长期一致性差
在切换视角后，原来的场景会改变甚至消失，历史帧信息保留不足，缺乏记忆性。
生成成本高
由于使用人工建模完成，需要专业的 3D 人工建模团队以及高端显卡支持，成本昂贵，不利于普通消费者创作。
自由流畅：基于统一连续动作空间设计，支持高精度控制（如角度、速度），也能完成边跑动边转换视角的复杂操作，动态内容生成（例如 NPC 互动、天气变化、水流运动等）也不在话下，画面相当流畅自然。
记忆增强：借助混合历史条件建模，系统可以精准记忆历史帧，确保长视频内容一致性。
成本骤降：由于对推理步数进行压缩，且实现量化 13B 模型，该架构仅需消费级显卡 RTX 4090 即可运行，制作成本得以降低。另外相比现有的游戏模型闭源方案，其泛化能力更强。
Hunyuan-GameCraft 的低门槛和开放性，让它在各个领域都能广泛适用，无论你是想游戏开发、视频创作还是 3D 设计，自己一个人就能包圆整个 3A 级动态内容制作过程，而无需专业建模和渲染知识。
从离散用户动作到连贯游戏视频
Hunyuan-GameCraft 在架构搭建过程中，精选上百款 3A 级游戏，如《刺客信条》、《荒野大镖客：救赎》、《赛博朋克 2077》，作为游戏场景数据来源。
然后一方面对起始结束向量进行分层采样，另一方面进行时间反转增强，结合渲染数据微调，综合提升控制信号的泛化能力和训练稳定性。
交互信号统一与编码
模型将键盘（如 W/A/S/D 控制移动）和鼠标（如视角旋转）等操作，通过 6 自由度相机参数（位置、方向、视野）量化为动作信号，再经过多层感知器（MLP）编码，映射到共享的相机表示空间。
混合历史条件建模
选取最近的关键帧作为条件输入，保留场景细节（如物体位置、环境状态），同时通过自回归方式传递前序生成的隐向量，捕捉时间动态（如运动轨迹、速度变化）。
模型蒸馏与效率优化
采用知识蒸馏技术，以大模型（教师模型）的输出分布为监督，训练轻量级模型（学生模型），在减少参数量和计算量的同时，保持长时序一致性和生成质量。
扩散过程中的动作控制
将编码后的交互信号与文本特征、历史条件特征融合，通过交叉注意力机制注入每一时间步，确保生成的视频帧严格响应操作指令。
然后在大规模真实游戏数据集上预训练，再在合成数据集上微调，同时通过分布平衡策略优化数据分布。
将模型与当前视频生成领域的主流模型进行多维度性能对比，实验证明 Hunyuan-GameCraft 的光流一致性得分比次优模型高18.3%，动作响应延迟低至 87ms，PSNR/SSIM 则在复杂场景中领先 5%-12%。
主观评估中，其真实感和可控性评分分别达到4.2/5和4.1/5，显著高于其他模型（最高 3.5/5），" 愿意持续交互 " 的比例达 78%，是对比模型的 1.5-2 倍。
项目官网：https://hunyuan-gamecraft.github.io/
代码：https://github.com/Tencent-Hunyuan/Hunyuan-GameCraft-1.0
技术报告：https://arxiv.org/abs/2506.17201
Hugging Face：https://huggingface.co/tencent/Hunyuan-GameCraft-1.0
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
希望了解 AI 产品最新趋势？
量子位智库「AI 100」2025 上半年
「旗舰产品榜」和「创新产品榜」
给出最新参考
点亮星标
科技前沿进展每日见
