**HuggingFace 论文:音视频联合生成与编辑的统一框架及分类法**

_Joint and Cross-Modal Video-Audio Generation and Editing: A Unified Formulation and Design Taxonomy_

> 该论文提出了一种统一公式,将音视频联合生成、跨模态生成及联合编辑视为同一分布下的问题,旨在解决多模态输出在时间与语义上的一致性。文章构建了首个系统性的音视频联合编辑分类法,涵盖9大类28种编辑类型,并从五个设计维度对比现有方法,同时梳理了相关数据集、评估指标及未来开放挑战。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-02 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.34381)