已收录文章摘要，完整内容可前往原文阅读。
导读｜你一定见过这样的 AI 视频：主播张嘴却没声音，狗叫声响了嘴还闭着，人物说着说着就「换了张脸」。音视频联合生成模型越做越大，但让画面好看、声音好听、语义对得上、口型还同步，几个目标经常互相「打架