此页是 2026-06-04 的观测快照,查看该模型当前信息 → /m/baidu__nava/

归档 / 2026-06-04 / NAVA-6.3B (Baidu)

NAVA-6.3B (Baidu)

文本/图像生成音视频同步内容，支持多说话人音色控制

入选理由: NAVA以6.3B参数实现视频音频联合生成，新架构有亮点，需自行部署（8GPU+数十GB权重）。
对位: 对位 Ovi 1.1 / LTX 2.3 等开源音视频模型
适合: 文本/图像生成带同步音频的视频 / 多说话人场景指定音色控制
不适合: 单 GPU 实时推理或长于 10 秒视频
规模: 6.3B · 未知
授权: Apache-2.0 · 可商用
框架: torch / diffusers
视频: 文生 · 1280x704 · 最长10s · 推荐8 GPU
血统: 微调自 Wan2.2-TI2V-5B
可信度: VerseBench Sync-C 7.79最高，WER 0.099，Apache-2.0

仅 safetensors · 无 pickle 加载风险

社区实测

官方宣称音画同步达到同类最佳,但社区实际讨论极少,尚难形成口碑共识

联合音视频生成:单一 6.3B 模型同时输出视频与音频(来源 1)
Apache 2.0 全栈开源:提供推理/训练代码与 Gradio 演示(来源 1、2)

峰值显存需求 80 GB,消费级显卡无法运行(来源 1)
推理前必须用内置 rewriter 将简短描述改写为长段落分镜提示词,否则效果不佳(来源 1)

来源

GitHub - ernie-research/NAVA The Week Open-Source AI Went Nuclear

截至 2026-06-28

快速上手

git clone https://github.com/ernie-research/NAVA && cd NAVA && huggingface-cli download baidu/NAVA --local-dir .

评分详情

Q1: 今天能接上用吗 3 / 5
Q2: 有可信证据吗 1 / 5
Q3: 是新东西吗 5 / 5
总分: 9

HuggingFace 原始数据 (抓取于 2026-06-04)

作者: baidu
任务类型: text-to-video
推理库: custom
下载: 159
点赞: 57
许可证: Apache-2.0
标签: custom, ti2v, text-to-video, text-to-audio-video, audio-video-generation, mmdit, flow-matching, wan2.2, en, zh, arxiv:2605.30073, base_model:Wan-AI/Wan2.2-TI2V-5B, base_model:finetune:Wan-AI/Wan2.2-TI2V-5B, license:apache-2.0, region:us

探索