MOVA模型：中国首个高性能开源音视频端到端生成模型

MOVA是上海创智学院OpenMOSS团队与模思智能（MOSI）联合推出的中国首个高性能开源音视频端到端生成模型。模型突破传统视频“静音”局限，采用异构双塔架构与双向桥接模块，实现原生跨模态交互；拥有320亿参数（MoE架构，推理激活180亿），可同步生成长达8秒、720p分辨率的视频与配套音频，在电影级口型同步、环境音效契合度上表现卓越。

MOVA主要功能：

1、端到端音视频生成：

模型可一次性同步输出视频与配套音频，彻底告别“哑巴视频”。

2、双模式驱动生成：

支持图像+文本、纯文本两种输入模式，灵活把控音视频生成内容。

3、电影级口型同步：

精准匹配人物说话时的嘴型与语音，完美支持中英文多人物对话场景。

4、智能环境音效：

可根据画面场景，自动合成匹配的背景音乐、动作声与环境音，提升视听体验。

5、视频文字渲染：

能在画面指定位置，生成清晰可读的动态文字内容，丰富视频呈现形式。

6、高分辨率输出：

模型最高支持720p分辨率、8秒时长的视听片段生成，兼顾画质与时长需求。

MOVA技术原理：

1、异构双塔架构：

采用14B视频扩散模型与1.3B音频扩散模型，分别独立处理视觉与听觉信息；通过双向桥接模块实现两层隐藏状态的深度交叉注意力融合，让画面生成全程感知声音节奏。

2、跨模态时间对齐：

针对视频与音频采样密度差异大的问题，依托Aligned ROPE机制，通过精确的缩放比例映射，将两种模态的Token统一到同一物理时间坐标系，从根源上消除音画不同步问题。

3、渐进式训练策略：

模型分三阶段由粗到细开展训练，先以360p低分辨率让随机初始化的桥接模块快速掌握音视频对齐能力，逐步提升对齐稳定性，最后扩展到720p高分辨率进行画质精修。

4、双重CFG推理：

针对音视频联合生成存在文本指令、模态桥接两个控制源的特点，支持独立调节两者的引导权重，可在一般场景保障画面质量，在对话场景强化口型精准度。

MOVA应用场景：

1、影视制作：

可快速生成分镜预览与配音小样，有效降低前期制作成本，大幅加速创意验证效率。

2、短视频创作：

为创作者提供带音效的高质量剧情素材，提升内容产出效率，丰富短视频创作形式。

3、游戏开发：

自动生成过场动画与角色对话，打造音画同步的沉浸式游戏体验，显著缩短开发周期。

4、教育培训：

制作多语言口型精准的教学视频，支持全球化内容适配，助力提升教学与学习效果。

5、电商营销：

快速产出带解说与背景音乐的产品展示视频，加速营销内容迭代，增强产品转化能力。

进入MOVA官网入口