已收录文章摘要，完整内容可前往原文阅读。
（本文阅读时间：10分钟）从文生图、文生视频，到文本生成音视频（Text-to-Audio-Video, T2AV），生成模型正在快速迈向更强的多模态表达能力。与此同时，一个关键问题也愈发突出：我们究