ChatPaper.aiChatPaper

Ovi: Dubbele Backbone Cross-Modale Fusie voor Audio-Video Generatie

Ovi: Twin Backbone Cross-Modal Fusion for Audio-Video Generation

September 30, 2025
Auteurs: Chetwin Low, Weimin Wang, Calder Katyal
cs.AI

Samenvatting

Audio-video-generatie heeft vaak vertrouwd op complexe, meerfasige architecturen of sequentiële synthese van geluid en beeld. Wij introduceren Ovi, een uniform paradigma voor audio-video-generatie dat de twee modaliteiten modelleert als een enkel generatief proces. Door gebruik te maken van bloksgewijze cross-modale fusie van twin-DiT-modules, bereikt Ovi natuurlijke synchronisatie en elimineert het de noodzaak voor afzonderlijke pijplijnen of post-hoc-uitlijning. Om fijnmazige multimodale fusiemodellering te faciliteren, initialiseren we een audiotoren met een architectuur die identiek is aan die van een sterk voorgetraind videomodel. Vanaf nul getraind op honderdduizenden uren aan ruwe audio, leert de audiotoren realistische geluidseffecten te genereren, evenals spraak die rijke sprekersidentiteit en emotie overbrengt. Fusie wordt bereikt door gezamenlijke training van de identieke video- en audiotoren via bloksgewijze uitwisseling van timing (via geschaalde RoPE-embeddings) en semantiek (door bidirectionele cross-attentie) op een enorme videocorpus. Ons model maakt cinematisch vertellen mogelijk met natuurlijke spraak en nauwkeurige, contextueel passende geluidseffecten, waardoor filmwaardige videoclips worden geproduceerd. Alle demo's, code en modelgewichten zijn gepubliceerd op https://aaxwaz.github.io/Ovi.
English
Audio-video generation has often relied on complex multi-stage architectures or sequential synthesis of sound and visuals. We introduce Ovi, a unified paradigm for audio-video generation that models the two modalities as a single generative process. By using blockwise cross-modal fusion of twin-DiT modules, Ovi achieves natural synchronization and removes the need for separate pipelines or post hoc alignment. To facilitate fine-grained multimodal fusion modeling, we initialize an audio tower with an architecture identical to that of a strong pretrained video model. Trained from scratch on hundreds of thousands of hours of raw audio, the audio tower learns to generate realistic sound effects, as well as speech that conveys rich speaker identity and emotion. Fusion is obtained by jointly training the identical video and audio towers via blockwise exchange of timing (via scaled-RoPE embeddings) and semantics (through bidirectional cross-attention) on a vast video corpus. Our model enables cinematic storytelling with natural speech and accurate, context-matched sound effects, producing movie-grade video clips. All the demos, code and model weights are published at https://aaxwaz.github.io/Ovi
PDF305October 3, 2025