2026-06-02

NAVA (Baidu)

6.3B 文本生成同步音视频，支持多说话人音色控制

入选理由: 有详细使用示例和评测，需手动下载数十GB权重并配置8卡环境。
对位: 对位 Ovi 1.1、MOVA、Davinci、LTX 2.3 等
适合: 文本/图片生成 720p 同步音视频 / 多说话人音色控制配音视频
不适合: 长于 10 秒视频或非中英文输入
规模: 6.3B · 文本 512 tokens · 最大 10 秒视频
授权: apache-2.0 · 可商用
框架: diffusers / torchrun
视频: 文生 · 720p · 10s · 推荐 8 卡 Ulysses 并行
血统: 微调自 Wan2.2-TI2V-5B
可信度: VerseBench Sync-C 7.79，基于 Wan2.2-TI2V-5B，论文 arxiv 2605.30073

仅 safetensors · 无 pickle 加载风险

快速上手

Gradio Web UI: bash gradio_demo/start_gradio.sh