模型发布

小米开源可控视频音效生成模型 ControlFoley,让声音“按你想要的来”

AI 摘要

小米大模型应用团队发布开源可控视频音效生成模型 ControlFoley,旨在解决创作中的可控性难题。该模型统一支持文本引导视频配音、文本控制视频配音和参考音频控制视频配音三类任务。ControlFoley 在 VGGSound-Test 等多个 benchmark 上取得开源 SOTA 表现,其代码、模型权重和在线 Demo 均已开放。

关键信息

  • 小米大模型应用团队发布开源可控视频音效生成模型 ControlFoley,旨在解决创作中的可控性难题。
  • 该模型统一支持文本引导视频配音、文本控制视频配音和参考音频控制视频配音三类任务。
  • ControlFoley 在 VGGSound-Test 等多个 benchmark 上取得开源 SOTA 表现,其代码、模型权重和在线 Demo 均已开放
  • 小米开源的 ControlFoley 把视频音效生成从“看画面配声音”推进到“按意图来”,开源 SOTA 且直接提供 Skill,做视频创作的可以上手试试

速览

发布时间
更新时间
来源
IT之家·人工智能
分类
模型发布
AI 评分
74
阅读原文 前往信息源阅读完整正文
推荐理由

小米开源的 ControlFoley 把视频音效生成从“看画面配声音”推进到“按意图来”,开源 SOTA 且直接提供 Skill,做视频创作的可以上手试试。

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:小米开源可控视频音效生成模型 ControlFoley,让声音“按你想要的来”。2026年5月29日。https://new.nat6.net/news/cmpqppxpf075oslno4jxz0h8b/

查看全部 →
  • Qwen-VLA:从理解世界到付诸行动

    通义千问推出通用视觉-语言-动作模型Qwen-VLA,基于Qwen多模态骨干,将视觉感知、语言理解与空间推理扩展至连续动作生成和轨迹预测。训练分四阶段:文本到动作预训练(T2A)、持续预训练(CPT)、监督微调(SFT)和强化学习(RL)…

    Qwen:Blog Retrieval(API)模型发布AI 评分 66

  • ChatGPT上线GPT-5.5 Instant新版本

    ChatGPT 新增 GPT-5.5 instant 模型: 我们今天发布了 GPT-5.5 instant 的新版本。之前的模型过于“子弹化”。新版本在其他一些重要维度上有所改进:谄媚性、事实性和多语言性能。希望你喜欢!我们始终对反馈感…

    X:Greg Brockman (@gdb)模型发布AI 评分 69

  • Qwen-VLA:迈向通用具身智能的统一动作框架

    通义实验室提出Qwen-VLA,以Qwen3.5-4B视觉语言主干与1.15B参数DiT动作解码器构建统一视觉-语言-动作模型。通过文本到动作DiT预训练和本体感知提示,将操作、导航与轨迹预测统一在同一框架下,支持11种机器人平台。在5个…

    公众号:通义实验室(千问)模型发布AI 评分 61

  • Nano Banana Pro与Nano Banana 2正式发布

    🍌 Nano Banana Pro [gemini-3-pro-image] 和 Nano Banana 2 [gemini-3.1-flash-image] 现已正式发布,可通过 Gemini API 投入生产使用。查看这些优秀的社区示…

    X:Google AI for Developers (@googleaidevs)模型发布AI 评分 71

  • xAI 发布 Grok Build 0.1 公测版

    grok-build-0.1 现已通过 xAI API 提供公开测试版。 这是驱动 Grok Build CLI 的同一模型,擅长智能体编码。 定价为输入 $1/m,输出 $2/m,极具成本效益、智能且快速。

    X:SpaceX Super Intelligence (@SpaceXSI)模型发布AI 评分 73