WorldSonus - 港科大联合上海交大开源的流式视频配音框架

WorldSonus是什么

WorldSonus 是港科大联合 Noiz AI、MetaX、上海交大开源的流式视频配音框架，视频流边生成， 用 100ms 一块实时输出 48kHz 立体声音频。WorldSonus 采用因果 AR 扩散架构与 5 秒 Ring-KV 缓存，支持生成中途无缝更换音效提示词，左右声道跟随场景声源方位与镜头运动。五档测试集音质全面超越 AudioX、ThinkSound 等双向离线模型。

WorldSonus的主要功能

• 实时流式配音：视频流边生成边输出音频，每 100ms 一块、单块计算仅 41.2ms，显存占用恒定、可无限时长的跟流。
• 中途交互改声：生成过程中可随时改写文字音效指令，在最近块边界无缝切换，会话状态不丢失、无需重算历史帧。
• 空间立体声：输出 48kHz 双声道，声源方位与镜头运动实时反映在左右声道上。
• 模块化即插即用：独立于视觉骨干，只接收”已实现的视频帧”，可挂接任意世界模型或游戏引擎。
• 开放域通用：除交互式场景外，在 VGGSound 等通用视频上音质仍超越离线双向模型。

WorldSonus的技术原理

• 分块因果流式生成（AR-Diffusion）：将音频编码进因果立体声 VAE 的连续潜空间，每 100ms 对应 3 个 latent 帧；decoder-only Transformer 每步只读”上一音频块+当前视频块”两个聚合 token，配合 W=50 块的 Ring-KV 循环缓存实现有界记忆，再用轻量 flow head 以 rectified-flow 目标去噪当前块。
• 双时间尺度视觉条件：冻结 DINOv3 将每帧编码为 patch 网格并拼接帧差图捕捉运动，每帧聚成 1 个 token；3 个帧 token 再聚合为 1 个块级语义 token 送入 AR 骨干管长程连贯，3 个帧对齐 token 则绕过骨干直接喂给 flow head 管音画同步的细粒度渲染，长程规划与局部渲染解耦。
• ShiftNCE 训练期对齐蒸馏：把冻结的 Synchformer 当训练期教师，用对比学习把同步能力蒸馏进 AR 隐状态：正样本为时间对齐窗口，负样本为同视频错开若干块的窗口，对高相似度偏移做假负样本过滤；推理时零开销，去掉后 DeSync 从 0.831 恶化到 1.067。
• 时变提示调度与原地提示控制：提示词经 T5Gemma 2 压缩为 token 集并缓存于 cross-attention；中途换词只在最近块边界原地替换这份缓存，Ring-KV 与视听状态均不动。训练时特意混入中途切换、撤指令、加指令四种时变调度，模型由此学会无缝转场。

微信关注回复“开源”，加入AI开源项目交流群

如何使用WorldSonus

• 环境准备：准备 Python 3.10+、CUDA 显卡、FFmpeg/ffprobe，确保 GPU 驱动已安装。
• 拉取代码：git clone https://github.com/NoizAI/WorldSonus.git 并进入项目目录。
• 安装依赖：运行 bash scripts/setup.sh .venv（自动安装 CUDA 12.4 版 PyTorch），然后 source .venv/bin/activate 和 pip install -e '.[features]'。
• 下载主模型权重：运行 python scripts/download_model.py --output assets 拉取 WorldSonus 权重。
• 下载编码器：运行 python scripts/download_encoders.py --output assets 获取 DINOv3 与 T5Gemma 2。
• 离线整段配音：执行 python -m worldsonus.infer --video input.mp4 --prompt "音效描述文字" --output output.wav，自动完成特征提取、生成与解码，输出 48kHz 立体声 WAV。
• 可选参数：用 --start 5 --seconds 10 截取视频窗口，或省略 --prompt 做纯视频条件生成。
• 流式实时生成：加上 --stream 参数即可分块增量生成音频。
• 边生成边播放：加 --stream --pcm-stdout 将原始 PCM 通过管道直送 ffplay -f f32le -ar 48000 -ac 2 -i - -nodisp -autoexit 实现即时试听。

WorldSonus的核心优势

• 流式因果架构：用 100ms 为一块、单块仅 41.2ms实时生成音频，显存恒定、可无限跟流。
• 中途改词：生成过程中可随时无缝替换音效指令，状态不丢、延迟仍在实时线内。
• 空间立体声：48kHz 双声道输出，声源方位与镜头运动实时对齐。
• 模块化易集成：只接收已生成的视频帧，可挂接任意世界模型或游戏引擎。
• 音质反超离线模型：在五档测试集上 FAD 等指标全面优于能看到完整视频的双向基线。
• 长程稳定：5 秒 Ring-KV 缓存下连续生成 30 秒无漂移、无崩塌。

WorldSonus的项目地址

• 项目官网：https://noizai.github.io/WorldSonus/
• GitHub仓库：https://github.com/NoizAI/WorldSonus
• HuggingFace模型库：https://huggingface.co/FF2416/WorldSonus
• arXiv技术论文：https://arxiv.org/abs/2610.08760

WorldSonus的同类竞品对比

WorldSonus的应用场景

• 世界模型与游戏引擎实时配音：为 GameGen-X、LingBot-World 2.0 等交互式世界模型及游戏引擎的画面流实时生成环境音，画面走到哪、声音跟到哪。
• 虚拟直播与数字人：直播画面边生成边同步出声，主播可中途语音/文字指令即时改变音效，无需停播重录。
• 长视频流边生成边配乐：电影预告片、AI 生成长视频等场景下，无需等整段渲染完成即可逐块产出 48kHz 立体声配乐，大幅缩短后期周期。
• VR/AR 与仿真训练环境：在虚拟仿真、自动驾驶训练、军事推演等环境中，为动态视角的画面流生成相机对齐的空间音频，提升沉浸感与训练真实度。
• 智能体/机器人感知：为具身智能体提供实时视听同步信号，使其在视觉输入的同时获得立体声环境反馈，辅助导航与交互决策。