Ovi：双骨干跨模态融合的音频 - 视频生成技术详解

qife122

11-06

Ovi是一个类似Veo-3的音频视频生成模型，能够同时从文本或文本+图像输入生成同步的视频和音频内容。该模型采用双骨干架构，支持5秒720×720分辨率视频生成，具备高质量音频分支和灵活的分辨率适配能力。