MOVA公開:32B MoEのエンドツーエンド同期映像・音声生成モデルをフルスタックでオープンソース化
原題:MOVA:可扩展的同步视频-音频生成
AI 要約
OpenMOSSチームは音声映像基盤モデルMOVAを公開した。総パラメータ32B MoE、活性18Bで、テキストまたは画像から音声映像へのエンドツーエンド同期生成をサポートし、最大720p、1セグメント8秒。非対称デュアルタワーアーキテクチャ(14B Wan 2.2 I2V映像タワーと1.3B音声タワー)に双方向BridgeとAligned ROPEによるタイムライン整合を加え、モデル重み、トレーニング・推論コード、ファインチューニング方案を公開した。
要点
- OpenMOSSチームは音声映像基盤モデルMOVAを公開した。
- 総パラメータ32B MoE、活性18Bで、テキストまたは画像から音声映像へのエンドツーエンド同期生成をサポートし、最大720p、1セグメント8秒。
- 非対称デュアルタワーアーキテクチャ(14B Wan 2.
- 2 I2V映像タワーと1.
- 3B音声タワー)に双方向BridgeとAligned ROPEによるタイムライン整合を加え、モデル重み、トレーニング・推論コード、ファインチューニング方案を公開した
概要
- 公開日時
- 更新日時
- カテゴリ
- モデル公開
- AI スコア
- 62
おすすめの理由
原文给出架构、训练策略和开源范围,读者可以了解端到端音视频生成如何处理同步问题并可复现研究。
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:MOVA公開:32B MoEのエンドツーエンド同期映像・音声生成モデルをフルスタックでオープンソース化。2026年2月1日。https://new.nat6.net/ja/news/cmtym5ry70006rou1uyjr6ods/