MOVA 发布:32B MoE 端到端同步视频-音频生成模型全栈开源
原文标题:MOVA:可扩展的同步视频-音频生成
AI 摘要
OpenMOSS 团队发布 MOVA 音视频基础模型,总参数 32B MoE、激活 18B,支持文本或图像到音视频的端到端同步生成,最高 720p、单段 8 秒。模型采用非对称双塔架构(14B Wan 2.2 I2V 视频塔与 1.3B 音频塔)加双向 Bridge 和 Aligned ROPE 对齐时间轴,并开放模型权重、训练与推理代码及微调方案。
关键信息
- OpenMOSS 团队发布 MOVA 音视频基础模型,总参数 32B MoE、激活 18B,支持文本或图像到音视频的端到端同步生成,最高 720p、单段 8 秒。
- 模型采用非对称双塔架构(14B Wan 2.
- 2 I2V 视频塔与 1.
- 3B 音频塔)加双向 Bridge 和 Aligned ROPE 对齐时间轴,并开放模型权重、训练与推理代码及微调方案
- 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
速览
- 发布时间
- 更新时间
- 分类
- 模型发布
- AI 评分
- 62
推荐理由
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。
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。
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:MOVA 发布:32B MoE 端到端同步视频-音频生成模型全栈开源。2026年2月1日。https://new.nat6.net/news/cmtym5ry70006rou1uyjr6ods/