前几天刷到一条视频《镜梦缘》，有声音有画面，声音和画面的一致性都很好，现在画面生成视频已经比较成熟了，但声音和画面融合，精准将口型、表情和语音对齐还是不容易。后来了解到这个视频是完全是由百度蒸汽机视频模型生成的，能非常好的支持声音的生成，尤其是中文语音。