影片生音訊

為什麼是另一個模型

T2V/I2V DiT 訓練目標是去噪 RGB（或 VAE）潛變數。V2A 去噪的是音訊潛變數，條件來自影片特徵（CLIP/Sync）、字幕，常常還有思維鏈。2025-07 的 2.2 開源釋出沒有把這兩個頭焊在同一個 ckpt 裡。

這條工具鏈裡的 ThinkSound

• 論文：Chain-of-Thought Reasoning in MLLMs for Audio Generation and Editing（arXiv:2506.21448，NeurIPS 2025）。
• 三階段：從影片出 Foley、點選/區域細化、語言指令編輯。
• 骨幹：帶 VideoLLaMA 2 CoT 的 MM-DiT；權重在 Hugging Face FunAudioLLM/ThinkSound。

混流實務

保持 Wan 片段的幀率與時長。生成等長音訊，再用 ffmpeg -c:v copy -c:a aac。若要指定口型的對白，去 S2V 而不是 V2A——V2A 不會按你已有的 wav 重建某個演員的嘴型。

常見問題

TI2V-5B 能直接出 AAC 嗎？

不能。解碼結果是影片幀。任何聲帶都是第二個模型或後續閉源 Wan API。

PrismAudio 是同一個嗎？

PrismAudio 是 ThinkSound 作者後續的 V2A（CoT-RL）。同一問題族，不同 checkpoint。