AI生成的视频越来越真实，但仍面临“恐怖谷”效应。清华大学与字节跳动推出的HuMo框架，通过多模态输入和渐进式训练，提升视频生成效果，解决声音、表情与动作的协同问题，适合创作者和开发者使用。