已收录文章摘要，完整内容可前往原文阅读。
智猩猩AI整理论文作者投稿文本到音视频的联合生成模型，成本来自两个方向。长采样轨迹要求模型反复执行前向计算，高分辨率音视频token又让每一次前向都很重。只减少采样步数，单步计算仍然昂贵；只优化算子，