OpenMOSS 开源 MOVA：原生生成同步音视频，320 亿参数 MoE 架构

MOVA 是 OpenMOSS 团队开源的音视频一体化生成模型，能让你用一段提示词或单张参考图，在一次推理里直接生成带同步声音的视频。

以往做 AI 视频，通常得先用视频模型生成画面，再拿另一个模型配音效或做口型对齐，中间难免出现声音跟嘴型脱节的问题。MOVA 走的是原生双模态生成路线，把画面和音频塞进同一个模型里处理，不需要拼装两套工具。

它能做什么

MOVA 支持多语言的精准唇形同步（Lip-Sync）以及与环境匹配的音效生成。

从官方放出的演示来看，无论是单人正襟危坐的演讲，还是公园里大人和小男孩边走边聊的多人对话场景，它都能较好地把语调、环境空间声和嘴部动作对上。

在音频同步基准测试中，MOVA 的表现甚至超过了 LTX2。更关键的是，团队把模型权重、推理代码、训练流程和 LoRA 微调脚本全部放了出来，并没有像 Sora 2、Veo 3 或 Kling 那样做成闭源服务。

架构与硬件门槛

MOVA 内部采用非对称双塔架构，分别利用预训练的视频和音频模块，再通过双向交叉注意力机制让两种模态互相感知。

模型本身基于混合专家结构（MoE），总参数量为 320 亿，但在实际运行时只有 180 亿参数处于激活状态，用来在质量和计算开销之间做权衡。

团队提供了 360p 和 720p 两个版本。目前 720p 版本的体量很大，体积达到约 77 GB，消费级显卡很难直接跑动。

对于想用消费级显卡尝鲜的开发者，仓库支持 CPU 卸载（Offload）策略。在测试生成一段 8 秒的 360p 视频时，如果采用逐层卸载策略，单张 RTX 4090 显卡配合 12 GB 显存和 76.7 GB 内存就能跑起来，单步耗时大约 42 秒；如果在 H100 上使用组件级卸载，显存占用 48 GB，单步耗时约 9 秒。

怎么跑起来

如果你手头有足够的硬件，可以直接在 GitHub 上克隆 OpenMOSS/MOVA 仓库，通过 Hugging Face 下载 360p 或 720p 的权重。

官方提供了完整的 Python 依赖说明和推理脚本，支持单人与多人对话生成的示例。此外，社区也已经提供了 ComfyUI 插件支持，第三方平台还开放了 API 申请。

为什么重要

过去开源社区里的视频模型大多是哑巴视频，音画同步的体验基本被闭源大厂垄断。MOVA 把整套模型权重和训练、微调脚本完全开放，让个人开发者和影视创作者能真正把模型抓在自己手里做二次开发。

不过，它的门槛仍然很高。720p 模型 77 GB 的庞大体积注定了它现在更适合有服务器资源的团队或深度玩家；普通创作者如果想用单张 RTX 4090 跑 360p，虽然显存门槛能压到 12 GB，但对主机内存要求高达近 80 GB，生成速度也偏慢。我们认为它是一次非常扎实的原生多模态开源探索，但要走向消费级普及，还需要社区进一步做量化和精简。