该研究聚焦于文本到声音视频生成（T2SV），旨在从文本生成同步音频的视频。为解决文本条件瓶颈和跨模态特征交互机制不明确的问题，提出了交叉参考重写器（CRR）框架，通过提取语义锚点和生成解耦的字幕对，消除模态干扰，缩小训练与推理之间的差距。
本研究提出RealGeneral框架，将图像生成视为条件帧预测任务，减少模态干扰，显著提升生成主题相似性和图像质量。
完成下面两步后，将自动完成登录并继续当前操作。
