港大联合字节跳动提出JoVA: 一种基于联合自注意力的视频-音频联合生成模型 (opens in a new tab)视频 - 音频联合生成的研究近期在开源与闭源社区都备受关注,其中,如何生成音视频对齐的内容是研究的重点。