我们正式推出 MOVA (MOSS Video and Audio),这是一款致力于打破"无声视频"与"沉浸式体验"之间壁垒的基座模型。传统的视频生成往往采用"先画后音"的级联方案,这种割裂的流程不仅计算成本高昂、误差容易累积,更难以解决音画同步的顽疾。相比之下,MOVA 实现了生成过程中视频与音频的原生交互,确保每一帧画面都能与声波精准锁对。从逼真的多语种口型,到契合环境的音效与配乐,MOVA 都能带来无缝、高保真的双模态视听体验。
误差线:95% 置信区间
模型概述
为了解决如 Sora 2 和 Veo 3 等顶尖系统因闭源带来的限制,MOVA 为 图文生音视频 (IT2VA) 和 文生音视频 (T2VA) 任务提供了一个完全开源的框架。该模型采用了非对称双塔架构,并通过双向跨注意力机制进行融合;同时利用 混合专家 (MoE) 设计,在拥有 32B 总参数量的同时,推理时仅需激活 18B 参数,兼顾了生成质量与部署效率。除了开源模型权重外,我们还配套提供了细粒度的双模态数据处理流水线以及 LoRA 微调支持,旨在赋能研究社区和创作者,共同推动同步电影级合成技术的前沿发展。
MOVA 模型架构

Benchmark
| Model | Audio-Speech | AV-Align | Lip Sync | ASR Acc | |||
|---|---|---|---|---|---|---|---|
| IS↑ | DNSMOS↑ | DeSync↓ | IB-Score↑ | LSE-D↓ | LSE-C↑ | cpCER↓ | |
| LTX-2 | 3.066 | 3.635 | 0.451 | 0.213 | 7.261 | 6.109 | 0.194 |
| Ovi | 3.680 | 3.516 | 0.515 | 0.190 | 7.468 | 6.378 | 0.439 |
| WAN2.1 + MMAudio | 4.036 | – | 0.260 | 0.317 | – | – | – |
| MOVA-360p | 4.269 | 3.797 | 0.475 | 0.286 | 8.098 | 6.278 | 0.165 |
| w/ dual CFG | 4.169 | 3.674 | 0.351 | 0.315 | 7.004 | 7.800 | 0.247 |
| MOVA-720p | 3.936 | 3.671 | 0.485 | 0.277 | 8.048 | 6.593 | 0.159 |
| w/ dual CFG | 3.814 | 3.751 | 0.370 | 0.297 | 7.094 | 7.452 | 0.195 |