**苹果研究:通过高级模态条件与交互驯服文本到有声视频生成** _Taming Text-to-Sounding Video Generation via A
原帖
**苹果研究:通过高级模态条件与交互驯服文本到有声视频生成**
_Taming Text-to-Sounding Video Generation via Advanced Modality Condition and Interaction_
> 针对文本到有声视频(T2SV)生成中存在的文本条件瓶颈及跨模态融合机制不明确两大挑战,苹果机器学习研究团队提出新方法,旨在解决共享字幕引发的模态干扰问题,并弥合训练与推理阶段文本描述的差距。
**来源信息**
- **来源**:Apple Machine Learning Research(RSS)
- **分类**:论文
- **发布时间**:2026-07-07 08:00(北京时间)
- **原文**:[打开原文](https://machinelearning.apple.com/research/sounding-video-generation)