国产AI Vidu Q3推出全球首个可一次性生成16秒音视频的功能，支持多语言，画面和音效质量高。在国际AI基准测试中排名中国第一、全球第二，展现出强大的叙事能力和细节处理，推动AI视频生成技术进步。

本研究提出UniForm统一扩散变换器，旨在解决音视频生成系统模块独立性过强的问题，优化跨模态一致性。实验结果显示其在音视频生成任务中表现优异。

本文介绍了一种基于多模态扩散模型的音视频生成方法，利用耦合自编码器和随机平移注意力块实现音视频帧的生成与对齐。研究表明，该模型在生成质量和对齐性能上优于现有技术，具有良好的应用潜力。

本文介绍了多模态扩散模型在音视频生成、深度图生成和图像编辑等方面的应用，提出了随机平移注意力块、UAMD-Net和IDM-VTON等新方法，以提升多模态数据处理的鲁棒性和生成质量。

本文提出了一种基于转换器的音视频潜在扩散模型，能够在任务不可知的情况下进行音视频生成。通过优化跨模态生成框架和深度生成对抗训练，研究显示在语音质量和生成一致性方面有显著改进，尤其在低信噪比条件下表现优越。