阿里通义实验室近期推出一款视频生成音频框架PrismAudio，主要聚焦于环境音与音效的合成。该模型创新性地融合强化学习与思维链技术，借助“分解式思维链”机制，先对视频的内容、时序、音质及空间位置等要素进行分析，再生成对应的音频。同时，模型引入语义、时序、美学、空间四位“评估老师”，通过分别打分的方式对生成的音频效果进行优化。
阿里通义实验室近期推出一款视频生成音频框架PrismAudio，主要聚焦于环境音与音效的合成。该模型创新性地融合强化学习与思维链技术，借助“分解式思维链”机制，先对视频的内容、时序、音质及空间位置等要素进行分析，再生成对应的音频。同时，模型引入语义、时序、美学、空间四位“评估老师”，通过分别打分的方式对生成的音频效果进行优化。