字节跳动推出全新音视频生成模型Alive：实现视听同步生成，性能对标商业SOTA

字节跳动旗下的 FoundationVision 团队发布了一款名为“Alive”的统一音视频生成模型。该模型基于 MMDiT 架构，能够在单一框架内同时支持文本生成视频与音频（T2VA）以及参考图像生成动画。Alive 引入了 TA-CrossAttn 和 UniTemp-RoPE 技术，实现了工业级的高保真视听效果与精确的时间对齐。据官方介绍，该模型在处理百万级数据训练后，性能持续超越现有的开源模型，并达到或超过最先进的商业解决方案，目前已可在 GitHub 上查看相关内容。