待验证70% 置信事实时间未知

VO 3.1的音频生成依赖于音视频联合生成技术，模型在训练时同时学习了视觉内容与对应声音之间的关联模式

1

来源数

70%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

AI制作蚂蚁文明视频全流程：免费工具打造百万播放量内容

bilibili声译看世界

涉及实体

相关事实

待验证声音克隆通过说话人编码器将声音映射为高维嵌入向量，说话人编码器训练通常采用对比学习或三元组损失72% 相似待验证对语音智能体而言，多模态大模型不仅输入需支持语音、图片、文字、视频，输出也必须支持语音71% 相似待验证字节跳动的Seed Audio是其自研的多模态音频生成大模型，基于扩散模型与大规模音频预训练技术71% 相似待验证该项目支持声纹识别和声音克隆功能70% 相似已验证Whisper、Wav2Vec 2.0等模型通过自监督预训练在海量无标注音频上学习通用声学表示，降低对人工标注数据的依赖70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/23860

API

curl https://kongchang.com/api/v1/knowledge/claims/23860

MCP

get_claim(id=23860)