阿里開源 PrismAudio：輸入無聲影片配音效，5 億引數 0.63 秒搞定

PrismAudio 是阿里開源的環境音與音效生成模型，能直接給無聲影片自動補上跟畫面動作精準同步的聲音。

先思考後發聲的輕量模型

很多人用 AI 生成影片後，最頭疼的就是配音效。PrismAudio 解決的就是這個痛點，你餵給它一段無聲影片，它就能自動生成極其貼合畫面的環境音或動作聲，比如彈吉他時的琴絃撥動聲，時機卡得相當準確。

它的核心機制是把強化學習與思維鏈結合起來，讓模型先理解影片畫面的上下文並進行思考，再去生成匹配的音訊，保證聲畫同步和聲音細節的豐富度。

整個模型只有 5.18 億引數，體量非常小，但效率極高，生成 9 秒音訊只需要 0.63 秒。相比 MM Audio 和 Hunyuan Video Foley 這類動輒數十億引數的同類方案，PrismAudio 不僅速度更快，在多項基準指標上也拿到了更好的成績。

為什麼重要

如果你手頭經常有需要補聲音的無聲影片片段，或者在做 AI 影片工作流，PrismAudio 應該是目前綜合體驗最好的開源選擇之一。

我們認為它最亮眼的地方在於輕量化與推理速度。很多音效模型雖然效果過得去，但引數龐大、生成太慢，很難整合進日常影片管線。PrismAudio 用 5 億多引數跑出了極高的效率，證明了結合思維鏈的小模型在特定視聽任務上完全能打過大塊頭。