阿里开源 PrismAudio：输入无声视频配音效，5 亿参数 0.63 秒搞定

PrismAudio 是阿里开源的环境音与音效生成模型，能直接给无声视频自动补上跟画面动作精准同步的声音。

先思考后发声的轻量模型

很多人用 AI 生成视频后，最头疼的就是配音效。PrismAudio 解决的就是这个痛点，你喂给它一段无声视频，它就能自动生成极其贴合画面的环境音或动作声，比如弹吉他时的琴弦拨动声，时机卡得相当准确。

它的核心机制是把强化学习与思维链结合起来，让模型先理解视频画面的上下文并进行思考，再去生成匹配的音频，保证声画同步和声音细节的丰富度。

整个模型只有 5.18 亿参数，体量非常小，但效率极高，生成 9 秒音频只需要 0.63 秒。相比 MM Audio 和 Hunyuan Video Foley 这类动辄数十亿参数的同类方案，PrismAudio 不仅速度更快，在多项基准指标上也拿到了更好的成绩。

为什么重要

如果你手头经常有需要补声音的无声视频片段，或者在做 AI 视频工作流，PrismAudio 应该是目前综合体验最好的开源选择之一。

我们认为它最亮眼的地方在于轻量化与推理速度。很多音效模型虽然效果过得去，但参数庞大、生成太慢，很难整合进日常视频管线。PrismAudio 用 5 亿多参数跑出了极高的效率，证明了结合思维链的小模型在特定视听任务上完全能打过大块头。