音频驱动的视频生成已成为多模态生成的重要方向。北京智源等机构提出了一种音画同步框架，通过将音频拆分为语音、音效和音乐，提升了视频生成的时序控制和音画对齐精度。实验结果显示，该方法在视频质量和同步性上显著提升，验证了音频解混与多流控制的有效性。