搜索
通义实验室发布视频生成环境音框架 PrismAudio
7 小时前
2026年3月24日，阿里巴巴通义实验室发布PrismAudio，这是首个融合强化学习与思维链的视频生成环境音框架，专注于马蹄声、风雨声等画面同步音效合成，非人物配音。该框架采用分解式推理流程，由语义、时序、美学、空间四位“老师”协同打分优化，依托高效算法Fast-GRPO，仅需200步训练即达传统方法600步性能。模型参数仅5.18亿，9秒音频生成耗时0.63秒，研究已被ICLR 2026收录，代码即将开源。
