已收录文章摘要，完整内容可前往原文阅读。
一场大火，画面里火焰猛烈蹿起，声音却没有在关键时刻跟上；一位小提琴手正在演奏，旋律与画面中的动作却未必合拍。联合音视频生成要做好两件事：各自生成得好，也要在同一个事件上配合得好。针对这一难题，我们提出