/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
diffusers
Опубликована
28 янв 2026

MOVA-360p

Видео из изображенияИзображение, текст → видео3 профессии

MOVA — открытая мультимодальная модель OpenMOSS для генерации видео по изображению с синхронным звуком.

139 тыс.скачиваний за 30 дней216лайковвеса обновлены15 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MOVA — открытая модель генерации видео и синхронного аудио, разработанная командой OpenMOSS. Она предназначена для создания видео по изображению и текстовому описанию с одновременным синтезом звука, включая синхронизацию речи с движением губ и звуковые эффекты, соответствующие сцене. В метаданных Hugging Face для этой модели указан основной сценарий image-to-video.

Модель использует асимметричную архитектуру с двумя башнями для видео и аудио, объединёнными двунаправленным cross-attention, и схему Mixture-of-Experts: 32 млрд параметров всего, 18 млрд активны при инференсе. Авторы заявляют о поддержке многоязычной синхронизации губ и предоставляют веса, код инференса, обучающий конвейер и скрипты для дообучения LoRA. Лицензия — Apache-2.0. В карточке не приведены сведения о длине контекста и конкретном перечне поддерживаемых языков.

Сценарии применения

  • создание видео по исходному изображению
  • добавление синхронного звука к сгенерированному видео
  • генерация звуковых эффектов по сцене
  • создание роликов с синхронизацией движения губ и речи
  • эксперименты с дообучением генерации видео и аудио через LoRA

Ограничения

Карточка не перечисляет конкретные поддерживаемые языки и не сообщает длину контекста. Авторы заявляют о многоязычной синхронизации губ, но не приводят перечень языков.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MOVA: Towards Scalable and Synchronized Video–Audio Generation

We introduce MOVA (MOSS Video and Audio), a foundation model designed to break the "silent era" of open-source video generation. Unlike cascaded pipelines that generate sound as an afterthought, MOVA synthesizes video and audio simultaneously for perfect alignment.

🌟Key Highlights

  • Native Bimodal Generation: Moves beyond clunky cascaded pipelines. MOVA generates high-fidelity video and synchronized audio in a single inference pass, eliminating error accumulation.
  • Precise Lip-Sync & Sound FX: Achieves state-of-the-art performance in multilingual lip-synchronization and environment-aware sound effects.
  • Fully Open-Source: In a field dominated by closed-source models (Sora 2, Veo 3, Kling), we are releasing model weights, inference code, training pipelines, and LoRA fine-tuning scripts.
  • Asymmetric Dual-Tower Architecture: Leverages the power of pre-trained video and audio towers, fused via a bidirectional cross-attention mechanism for rich modality interaction.

Demo

Model Details

Model Description

MOVA addresses the limitations of proprietary systems like Sora 2 and Veo 3 by offering a fully open-source framework for Image-to-Video-Audio (IT2VA) and Text-to-Video-Audio (T2VA) tasks. The model employs an asymmetric dual-tower architecture fused via a bidirectional cross-attention mechanism, leveraging a Mixture-of-Experts (MoE) design with 32B total parameters (18B active during inference) to ensure high-quality synthesis with efficient deployment. Alongside the model weights, we provide a fine-grained bimodal data pipeline and support for LoRA fine-tuning, empowering the community to advance research in synchronized cinematic synthesis.

Model Sources

Model Usage

Please refer to the github page for model usage.

Evaluation

We evaluate our model through both objective benchmarks and subjective human evaluations. Below are the Elo scores and win rates comparing MOVA to existing open-source models.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
eab4aa9

0 моделей