AVIO：在音视频场景中学习添加与移除发声物体

研究团队提出 AVIO，通过源条件特征调制改造预训练文本到音视频生成模型，让单一模型同时学会添加和移除发声物体，并支持仅凭指令编辑或可选视觉引导。配套数据集 AVIOBench 包含 37.9 小时配对音视频样本、覆盖 1,878 个目标物体名称，用共享身份与视觉掩码关联物体的视觉存在与声音贡献。参考帧课程训练逐步减少参考条件，使模型在添加物体时可通过可选参考控制外观与位置。