Ovi: Character.AI によるツインバックボーン音声・動画生成モデル

Character.AI の Ovi は、音声と動画を双方向に同期生成するツインバックボーンのクロスモーダルモデルです。Wan2.2（A14B MoE アーキテクチャ）をベースに構築されており、音声と動画にそれぞれ別の diffusion バックボーンを使用し、モダリティ間でクロスアテンション条件付けを行います。音声パイプラインは MMAUDIO VAE と BigVGAN ボコーダーを使用して 16kHz の音声を合成します。bf16 精度で利用可能で、Kijai の WanVideoWrapper を介して ComfyUI 向けに最適化されています。