百度 ERNIE Team 发布 NAVA 6.3 B 联合音视频生成模型

百度 ERNIE Team 发布 NAVA，这是一个 6.3 B 参数的联合音视频生成模型，可由单一提示词生成同步视频与音频。NAVA 支持多说话人语音的参考音色控制、图像条件续写，采用 Align-then-Fuse MMDiT，并在 Verse-Bench 的 Sync-C、Sync-D、视频质量和 audio WER 上优于列出的开源基线，同时参数量少 2× 到 5×。