百度发布了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。该模型采用了Align-then-Fuse MMDiT架构，在视听同步基准测试中取得了最先进的性能。NAVA可以在大约一分钟内生成720p、一分钟长的视频和立体声音频，并能精确控制说话者的声音音色。 AI
影响 以显著更少的参数数量，在视听同步基准测试中设定了新的SOTA。
排序理由 该集群描述了一个新模型发布，附带相应的论文和基准测试结果。[lever_c_demoted from research: 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 →