「视频 - 音频联合生成」共找到 2045 篇相关文章
OVI：统一的音视频生成模型，声音与画面同步诞生
音视频生成领域以往多阶段架构易致音画不同步等问题。耶鲁大学团队提出 OVI 统一范式，采用双塔 DiT 架构与分块式跨模态融合机制，实现音画同步生成，不过目前有计算开销大、音频有局限等问题。
拒绝视频生成，深度跃迁提出具身基座模型全新路线
深度跃迁发布世界动作模型 DELE - w0.5，放弃基于视频生成模型的路线，训练时联合学习动作与未来世界表征，推理时移除该表征分支。在真机实验中表现超基线，具跨背景泛化能力，为世界模型提供新思路。
登顶行业SOTA的多模态视频生成标杆，昆仑天工刚给开源了
昆仑天工发布的多模态视频生成模型SkyReels-V3正式开源。它能文生视频、图生视频等，效果逼真。该模型针对现有AI视频问题实现多方面技术突破，且昆仑天工在模型和产品层面均有深厚积累。
实测可灵O1，AI视频界的Banana也来了。
可灵推出全新多模态视频大模型可灵O1，融合多种视频生成与修改能力。实测显示，它能实现视频内容增删、特定内容修改、扣绿幕、动作迁移、风格更改等功能，虽有局限，但开启用嘴改视频新时代。
AI狂飙100天，中国力量突起！顶流视频号10分钟看尽全球最强杀招
2025年开年，全球AI版图重绘，从中国DeepSeek开源风暴到OpenAI闭源反击，双方在算力、模型等层面激烈碰撞。各月双方均有新动作，4月AI迈入全民普及，新智元联合视频号推出活动助掌握科技风向。
视频世界模型困在像素网格里：腾讯开源SCoPE，用射线空间重写位置关系
香港大学、香港科大与腾讯ARC Lab联合提出SCoPE，让视频模型处理位置关系的基底从张量网格转向射线空间。它将相机射线坐标注入Video DiT，新增参数不到原模型0.1%，多方面表现获改善。
视频生成1.3B碾压14B、图像生成直逼GPT-4o！港科&快手开源测试时扩展新范式
香港科技大学联合快手可灵团队推出 EvoSearch 方法，支持图像和视频生成。该方法无需训练和梯度更新，能提升模型生成质量，展现了 test - time scaling 补充 training - time scaling 的潜力，目前论文和代码已开源。
这个真人版《火影忍者》竟然是AI做的，来自中国AI视频新王者Vidu Q3
开年国产AI竞争激烈，AI视频生成圈新出全球首个支持16秒音视频直出的Vidu Q3。它能全自动生成，语言支持多语种，经权威认证排名中国第一、全球第二，可实现图生和文生音视频，提升了AI视频生成能力。
谷歌 AI Studio 实时视频对话终于支持中文了！屏幕共享+语音，Gemini 2.5 Flash 原生音视频加持。
谷歌AI Studio实时视频对话支持中文，有Gemini 2.5 Flash原生视频对话模型。使用方便，还提供多种音色，有让模型在无声时发音视频等功能，可用于设计、学习、修电脑等场景。
AI在实时视频里秒“剪”出你想要的部分！输入文字/图/视频片段，它都能秒懂｜ICCV2025
最新混合模态在线视频定位技术OVG - HQ开挂了！它能根据文字、图、视频片段等线索，在实时视频流中精准裁剪出关心的事件，已收录于ICCV2025，破局以往技术“离线”“词穷”缺陷。