Vorch-Omni: Многоцелевое оркестрирование зрения и звука
arXiv: 2608.05803v2 Annualce Type: заменить резюме: последние достижения в деле разработки моделей создания видеогенеративных систем позволили создать возможности для различных видов генерации, синтеза на основе справочных данных, расширения и редактирования, однако существующие подходы часто основываются на фрагментированных моделях по конкретным задачам. Общая модель должна проводить различие между разнородными целями, источниками и эталонными сигналами для определения того, что генерировать, сохранять или использовать в качестве руководства при одновременном уменьшении помехи между задачами. Совместное аудиовизуальное производство еще более усиливает эту проблему, внедряя различные модели кондиционирования и выпуска в различных формах. Мы представляем Vorch-Omni, единую многоцелевую систему для аудиовизуального синтеза на основе произвольной формулы до произвольного выхода. Он гибко рассматривает видео- и аудиосигналы как кондиционирование входных или генерирующих мишеней. Маски и идентификаторы задач, предназначенные для кондиционирования уровня, отличают цели, содержание источников и ссылки, в то время как типы позиций отделяют временной контекст от независимого кондитера