🪄 Introducing daVinci-MagiHuman: The Performance-Level Audio-Video Generative Foundation Model Proudly open-sourced and jointly developed by SII GAIR Lab & Sand.ai, it sets a new standard for multimodal AI. ⏳ 1/6
Modelos de video
daVinci MagiHuman Generador de Texto/Imagen a Video con Sincronización de Audio
Crea videos con daVinci MagiHuman - un modelo fundamental de audio-video de código abierto de 15B de Sand.ai y SII GAIR Lab. Genera video y audio sincronizados desde texto o imágenes con precisión de lip sync líder en 7 idiomas. Hasta 1080p, 5-10 segundos. Arquitectura Transformer single-stream, video 5s 256p en solo 2 segundos en una H100.
/video/text-to-videoPúblico
Galería de texto a video de daVinci MagiHuman
Vive el poder cinematográfico de la generación de texto a video de daVinci MagiHuman. Crea videos impresionantes con audio sincronizado a partir de descripciones de texto detalladas, con una sincronización labial líder en la industria en 7 idiomas.
AI Video
Noche lluviosa en Tokio
Una mujer con abrigo rojo camina por un callejón de Tokio iluminado con neón en una noche lluviosa, con reflejos brillantes.
Prompt
“Rainy night in a neon-lit Tokyo alley, a woman in a red coat walks slowly under an umbrella. Reflections shimmer on wet cobblestones. Handheld camera follows her from behind, bokeh street lights, cinematic color grade, moody atmosphere.”
Live PipelineTake 01 / 01
Galería de Imagen a Video de daVinci MagiHuman
Transforma tus imágenes estáticas en videos dinámicos con daVinci MagiHuman. Disfruta de una conversión de imagen a video fluida, con expresiones faciales realistas, movimiento corporal natural y audio sincronizado con los labios.
Source Feeds01 Inputs
Pipeline
00%
Program · On AirAI · Generated
Output
Transcript · 01
Presentador de pódcast hablando
Videos de YouTube daVinci MagiHuman
Vea demostraciones y reseñas de la comunidad que muestran las capacidades de generación de audio-video de daVinci MagiHuman
- daVinci-MagiHuman: Fast Audio-Video Synthesis - AI Research Roundup
- 达芬奇最新开源模型，革命Seedance2.0 DaVinci-MagiHuman：开源音视频生成新标杆，5秒视频2秒出，还能说6种语言！ - XIAOXIAO LI
- LTX 2.3, Veo и Sora больше не нужны? Тестируем daVinci-MagiHuman - ServerFlow AI Lab - R&D в области ИИ и LLM
- Ai动画224-化繁为简！daVinci-MagiHuman，快速音视频生成基础模型的单流架构，支持多国语言，音画同步，音色参考-T8 Comfyui教程 - T8star-Aix
Videos de YouTube daVinci MagiHuman
Vea demostraciones y reseñas de la comunidad que muestran las capacidades de generación de audio-video de daVinci MagiHuman
daVinci MagiHuman Reseñas populares en X
Mira lo que la gente dice sobre daVinci MagiHuman en X (Twitter)
daVinci-MagiHuman is a 15B single-stream Transformer, trained from scratch to generate synced video+audio with self-attention only—no cross-attention or multi-stream paths. It is open-source, supports 6 languages, beats Ovi/LTX, and runs on one H100.
I have been testing open source daVinci-MagiHuman, a single-stream 15B Transformer trained from scratch that jointly generates video + audio. 5s 1080p video in 38s on a single H100, about 1 minute on newer gaming Nvidia GPUs By @SII_GAIR + @SandAI_HQ
daVinci-MagiHumanという新しい動画生成モデルがオープンで出た。これがLTX-2.3よりもすごいとかいう話。特にオーディオ生成がいい感じらしい。さらに多言語対応してて日本語の音声も対応してると書かれてる。開発したGAIRってのは上海イノベーション研究所内の研究ラボらしい reddit.com/r/StableDiffus…
映像と音声を同時生成のオープンソースモデル「daVinci-MagiHuman」が登場 ・OSS界隈ではトップクラスの性能 ・日中英韓独仏の6言語対応 ・音声認識誤り率14.6% クローズドのSeedance 2.0に対抗。デモの感じは精度が高そう H100で5秒間の1080p動画を38秒で生成したらしい
動画生成AIはオープンソースでも戦えるか？ daVinci-MagiHuman は、動画と音声をシングルストリームの15B Transformerで同時生成する完全オープンソースモデル。 Ovi 1.1に80.0%、LTX 2.3に60.9%勝率。 H100で1080pの5秒の動画を38.4秒で生成。日本語にも対応！ 詳細は🧵
DaVinci-MagiHuman for ComfyUI. - 15B-param single-stream model runs in ~6GB VRAM via block-level swapping; - 8-step distillation; github.com/mjansrud/Comfy…
daVinci-MagiHuman. We have another fast single-stream audio-video 15B foundation model by @SandAI_HQ > no separate pathways or cross-attention modules. > just raw self-attention doing all the heavy lifting. > wins 80% vs Ovi 1.1, 60% vs LTX 2.3; > native multilingual realistic
Reel · Specifications
Qué es daVinci MagiHuman
El modelo fundamental de audio-video de código abierto de 15B de Sand.ai con el mejor lip sync
- · 0115BParámetros
- · 021080pResolución Máx
- · 037Idiomas Soportados
- · 042sVelocidad 256p
daVinci MagiHuman es un Transformer single-stream de 15 mil millones de parámetros que genera conjuntamente video y audio sincronizados desde texto o imágenes, logrando una precisión de lip sync líder con una tasa de error de palabras del 14,6% en 7 idiomas.
Reel · Capabilities
Funcionalidades de daVinci MagiHuman
Descubre las capacidades avanzadas que hacen de daVinci MagiHuman excepcional para la generación de audio-video
- Feature 01 / 08
Generación Conjunta de Audio-Video
Genera video y audio sincronizados en una sola pasada usando arquitectura Transformer single-stream con solo self-attention, sin pipeline de audio separado.
- Feature 02 / 08
Lip Sync Líder del Sector
Tasa de error de palabras del 14,6% para sincronización labial, superando significativamente a Ovi 1.1 (40,45%) y LTX 2.3 (19,23%) en benchmarks de precisión de habla.
- Feature 03 / 08
Soporte de Voz en 7 Idiomas
Genera videos sincronizados con habla en inglés, chino (mandarín y cantonés), japonés, coreano, alemán y francés con pronunciación natural.
- Feature 04 / 08
Generación Ultra-Rápida
Produce un video 256p de 5 segundos en solo 2 segundos en una sola GPU H100. Destilación DMD-2 en 8 pasos sin necesidad de guidance sin clasificador.
- Feature 05 / 08
Doble Modo de Entrada
Crea videos desde prompts de texto o anima imágenes estáticas. Ambos modos soportan relaciones de aspecto, resoluciones y duraciones de 5 a 10 segundos configurables.
- Feature 06 / 08
Super-Resolución Hasta 1080p
Genera videos en 256p, 540p, 720p o 1080p mediante pipeline de super-resolución en espacio latente sin overhead adicional de decodificación-codificación VAE.
- Feature 07 / 08
Código Abierto Apache 2.0
Completamente open-source bajo licencia Apache 2.0 con stack completo incluyendo pesos base, modelo destilado, modelo de super-resolución y código de inferencia para uso comercial sin restricciones.
- Feature 08 / 08
Excelencia Centrada en el Humano
Especializado en generación de humanos digitales con expresiones faciales expresivas, movimientos corporales realistas y preservación consistente de personajes entre frames.
FAQ
Preguntas Frecuentes
Preguntas comunes sobre la generación de audio-video de daVinci MagiHuman
¿Tienes más preguntas?
daVinci MagiHuman soporta dos modos principales: Texto-a-Video (generación de videos con audio sincronizado desde prompts de texto) e Imagen-a-Video (animación de imágenes estáticas con audio opcional). Ambos modos soportan relaciones de aspecto configurables (16:9 paisaje, 9:16 retrato), resoluciones hasta 1080p y duraciones de 5 a 10 segundos.
daVinci MagiHuman soporta generación de voz sincronizada en 7 idiomas: inglés, chino (mandarín), cantonés, japonés, coreano, alemán y francés. El modelo alcanza una tasa de error de palabras del 14,6% para lip sync, superando significativamente a Ovi 1.1 (40,45%) y LTX 2.3 (19,23%).
daVinci MagiHuman soporta múltiples resoluciones: 256p (más rápido), 540p (super-resolución), 720p y 1080p (super-resolución). La duración del video puede configurarse de 5 a 10 segundos con granularidad de 1 segundo. Se soportan tanto formato paisaje (16:9) como retrato (9:16).
En una sola GPU NVIDIA H100, daVinci MagiHuman genera un video 256p de 5 segundos en aproximadamente 2 segundos. Para resoluciones superiores: 540p toma unos 8 segundos y 1080p unos 38,4 segundos. Esta velocidad se logra mediante destilación DMD-2 en 8 pasos sin classifier-free guidance.
Sí, daVinci MagiHuman es completamente de código abierto bajo licencia Apache 2.0 por Sand.ai y SII GAIR Lab. El stack completo está disponible incluyendo pesos del modelo base, modelo destilado, modelo de super-resolución y código de inferencia para uso comercial sin restricciones.
daVinci MagiHuman se destaca por su arquitectura Transformer single-stream que usa solo self-attention (sin cross-attention ni rutas multi-stream), permitiendo la generación conjunta de audio-video en un solo modelo. Alcanza la mejor precisión de lip sync (14,6% WER), soporta 7 idiomas y obtiene una tasa de victoria del 80% contra Ovi 1.1 en evaluación humana.
Cómo usar daVinci MagiHuman Texto a Video
Genera videos con audio sincronizado desde descripciones de texto
Escribe tu Prompt
Ingresa una descripción detallada del video deseado. Incluye sujeto, acción, contenido de habla e idioma deseado para mejores resultados de lip sync.
Cómo usar daVinci MagiHuman Imagen a Video
Anima imágenes estáticas en videos con audio sincronizado
Sube tu Imagen
Sube una imagen de referencia de la persona o escena a animar. daVinci MagiHuman destaca en contenido centrado en humanos con expresiones faciales realistas.
Pricing · Choose Yours
Precios
Elige el plan que mejor se adapte a ti. Sin tarifas ocultas, sin sorpresas.
Una vez admite pago con criptomonedas (BTC, USDT, ETH, 350+)
Facturación mensual