这部分由一个特殊设计的多模态扩散模型（MMDiT）承担，它负责将「系统 2」的高层文本规划与「系统1」的底层音频信号（用于口型同步等）完美融合，生成最终视频。 为了让文本（系统 2 规划）和音频（系统 1 …
07/09 12:20
07/09 12:19
07/09 12:18
京公网安备 11011402013531号