视频生音频

为什么是另一个模型

T2V/I2V DiT 训练目标是去噪 RGB（或 VAE）潜变量。V2A 去噪的是音频潜变量，条件来自视频特征（CLIP/Sync）、字幕，常常还有思维链。2025-07 的 2.2 开源发布没有把这两个头焊在同一个 ckpt 里。

这条工具链里的 ThinkSound

• 论文：Chain-of-Thought Reasoning in MLLMs for Audio Generation and Editing（arXiv:2506.21448，NeurIPS 2025）。
• 三阶段：从视频出 Foley、点选/区域细化、语言指令编辑。
• 骨干：带 VideoLLaMA 2 CoT 的 MM-DiT；权重在 Hugging Face FunAudioLLM/ThinkSound。

混流实务

保持 Wan 片段的帧率与时长。生成等长音频，再用 ffmpeg -c:v copy -c:a aac。若要指定口型的对白，去 S2V 而不是 V2A——V2A 不会按你已有的 wav 重建某个演员的嘴型。

常见问题

TI2V-5B 能直接出 AAC 吗？

不能。解码结果是视频帧。任何声带都是第二个模型或后续闭源 Wan API。

PrismAudio 是同一个吗？

PrismAudio 是 ThinkSound 作者后续的 V2A（CoT-RL）。同一问题族，不同 checkpoint。