YingSound: Video-Guided Sound Effect Generation Controlled by Multimodal Thinking Chains
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出YingSound模型，解决产品视频生成音效时标记数据不足的问题。该模型通过条件流匹配变换器实现音频与视觉的语义对齐，并引入多模态思维链方法，实验结果表明其能有效生成高质量的同步音效。
🏷️
