MOVA เปิดตัวโมเดลสร้างวิดีโอ-เสียงพร้อมกันแบบ end-to-end 32B MoE โอเพนซอร์สทั้งสแตก
หัวข้อต้นฉบับ:MOVA:可扩展的同步视频-音频生成
สรุปโดย AI
ทีม OpenMOSS เปิดตัว MOVA โมเดลพื้นฐานเสียงและวิดีโอ พารามิเตอร์รวม 32B MoE เปิดใช้งาน 18B รองรับการสร้างเสียงและวิดีโอพร้อมกันแบบ end-to-end จากข้อความหรือภาพ สูงสุด 720p ความยาวต่อคลิป 8 วินาที โมเดลใช้สถาปัตยกรรมสองหอแบบอสมมาตร (หอวิดีโอ 14B Wan 2.2 I2V และหอเสียง 1.3B) พร้อม Bridge แบบสองทิศทางและ Aligned ROPE สำหรับจัดแนวแกนเวลา และเปิดเผยน้ำหนักโมเดล โค้ดฝึกอบรมและอนุมาน รวมถึงแนวทางการปรับแต่ง
ข้อมูลสำคัญ
- ทีม OpenMOSS เปิดตัว MOVA โมเดลพื้นฐานเสียงและวิดีโอ พารามิเตอร์รวม 32B MoE เปิดใช้งาน 18B…
- 2 I2V และหอเสียง 1.
- 3B) พร้อม Bridge แบบสองทิศทางและ Aligned ROPE สำหรับจัดแนวแกนเวลา และเปิดเผยน้ำหนักโมเดล…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- OpenMOSS / 复旦NLP / 上海创智 / MOSI(网页)
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 62
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。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: MOVA เปิดตัวโมเดลสร้างวิดีโอ-เสียงพร้อมกันแบบ end-to-end 32B MoE โอเพนซอร์สทั้งสแตก 1 กุมภาพันธ์ 2026 https://new.nat6.net/th/news/cmtym5ry70006rou1uyjr6ods/