西工大音频语音与语言处理研究组提出的DualDub模型，旨在同时生成视频的背景音频和语音，解决了现有视频到音频模型忽视语音的问题。该模型通过多模态编码器和对齐模块，实现音频与语音的同步生成，并引入DualBench基准测试集，实验结果显示其在生成质量和时间同步性方面表现优异。