多模态生成

英文：Multimodal Generation　分类：multimodal

基本释义

根据混合输入生成跨模态内容的能力：文本生图、图生视频、图文生音频、视频生文本等。它是 AIGC 的产品主体。

技术要点

技术：扩散模型（图像/视频）、自回归多模态（统一生成框架）、音频生成（TTS/音乐）、组合生成（多条件控制）；可控性（参考图、布局、风格）与一致性（跨帧/跨模态）是质量关键。

应用场景

用于内容创作（图文视频全流程）、广告（素材一键多形态）、教育与娱乐；多模态生成让"一个创意，全模态产出"。

返回AI百科目录 · AI最前沿首页

相关词条：扩散模型 · 视觉编码器 · 语音合成 · 多模态推理 · 多模态智能体