MOVA 发布：32B MoE 端到端同步视频-音频生成模型全栈开源
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。
AI视频 大事记
重要进展 IMPORTANT_PROGRESS
2023-03-23 — 2023-03-23
重要进展 · 第 70 / 86 页
Text2Video-Zero 探索免训练文生视频
论文利用已有文本图像扩散模型，以运动建模和跨帧注意力实现无需额外视频训练的生成，并展示条件控制和编辑应用。
AI视频 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容