一水 发自 凹非寺 量子位 | 公众号 QbitAI 没错，这就是阿里通义语音团队最新开源的 泛音频生成模型ThinkSound ，主要用于视频配音，主打 让每一帧画面都有专属匹配音效 。 据介绍，它首次将今年大热的 CoT思维链推理 引入了音频领域，解决了传统视频配乐技术往往只能生成单调的背景音，而难以捕捉画面中的 动态细节和空间关系的难题。 AI音效已经进化成这样了吗？？ 打开声音 ，来快速感受一下最新feel： 模拟婴儿哭声，那叫一个高低起伏、荡气回肠，整个节奏和婴儿表情姿态神同步了。 一辆火车由远及近驶来，整个背景音也颇具空间层次感，毫不违和。 甚至连小号这种乐器演奏，声音也能和演奏者的动作一一对上。 就是说，AI现在也能像专业音效师一样逐步思考，通过捕捉视觉细节来生成音画同步的高保真音频。 官方测评显示，ThinkSound在业界知名的音视频数据集VGGSound上，对比6种主流方法 （Seeing&Hearing、V-AURA、FoleyCrafter、 Frieren、V2A-Mapper和MMAudio） ，在核心指标上均实现了显著提升。 | Method | | | | Objective ...