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
2022-04-07 — 2022-04-07
重要进展 · 第 78 / 86 页
Video Diffusion Models 提出视频扩散模型
论文把图像扩散架构扩展到视频，联合使用图像与视频训练，并研究文本条件生成和空间、时间方向的视频延展。
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