百度发布 NAVA：6.3B 参数音视频生成模型

百度 ERNIE 团队发布 NAVA 模型，一个 6.3B 参数的联合音视频生成模型，支持从单个提示词生成同步视频与音频，包括多说话人音色控制和图像条件续写。模型采用 Align-then-Fuse MMDiT 架构，在 Verse-Bench 上刷新 Sync-C、Sync-D、视频质量与音频 WER 等多项指标，参数量仅为开源基线的 2–5 倍。