百度ERNIE团队发布了NAVA，一个拥有63亿参数的模型，能够根据单一文本提示生成同步的音频和视频。NAVA采用了Align-then-Fuse MMDiT架构，在Verse-Bench等音频-视频同步和视频质量基准测试中取得了最先进的性能。该模型可以在大约一分钟内生成一分钟的720p视频和同步音频，并提供精确的多音色控制和语言描述的摄像机控制等功能。 AI
影响 在音频-视频同步基准测试中设定了新的SOTA（最先进水平），参数量更少，可能降低高质量视听生成的门槛。
排序理由 来自重要AI实验室（百度ERNIE团队）的模型发布，附有论文和技术细节。[lever_c_demoted from frontier_release: ic=1 ai=1.0]
在 Hugging Face Trending Models 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →