本研究提出了一种视频转音频生成方法，实现语义与时间对齐的音频内容生成。

SOLO 是一种单一 Transformer 架构的统一视觉语言模型，接受图像和文本输入。

Image Conductor通过精确控制相机和物体的运动实现从单张图像生成交互视频。

GraphRAG Local Ollama 使用本地模型，提供高效、经济的本地推理体验。

STORM是一种通过检索和多视角提问生成主题大纲的LLM系统。

Disentangled Motion Modeling是一种用于视频帧插值的技术，通过分离运动建模提高插值效果。