本研究探讨了音频作为生成时间同步图像动画的线索，并引入了音频同步视觉动画（ASVA）。通过音频生成动态动画，评估验证了ASVA作为同步生成基准，并展示了优越性能。研究还探索了ASVA在各种音频同步生成任务中的潜力，为可控的视觉生成开辟新的道路。