IXThinker·2026-09-25 17:20

文字生成音訊影片提效五十四倍

文字到音訊與影片的聯合生成，成本來自兩個方向：長採樣軌跡要求反覆執行前向計算，高分辨率音訊影片Token又讓每一步都很重。多校團隊提出TurboT2VA，把生成提速五十四倍。

兩層成本難題

只減少採樣步數，單步計算仍然昂貴；只優化算子，多步採樣的重複計算依然存在。來自浙江大學、清華大學、新加坡國立大學等的研究團隊，決定從兩個層面同時下手。