Ovi: Character.AI 的双骨干音频视频生成模型
ComfyUI Wiki
Character.AI 的 Ovi 是一款基于 Wan2.2 的双骨干音频视频生成模型，借助 MMAUDIO 条件双向生成同步的音频和视频。
O
Ovi
Audio-Video GenerationVideo GenerationCross-ModalWan2.2Character.AICharacter.AI 的 Ovi 是一款双骨干跨模态模型，能够双向生成同步的音频和视频。它基于 Wan2.2（A14B MoE 架构），为音频和视频使用独立的扩散骨干，并在模态之间通过交叉注意力条件进行交互。音频流水线采用 MMAUDIO VAE 和 BigVGAN 声码器，实现 16kHz 音频合成。提供 bf16 精度，并通过 Kijai 的 WanVideoWrapper 针对 ComfyUI 进行优化。
| 开发者 | Character.AI |
| 发布日期 | 2025-10 |
| 架构 | 双骨干扩散 Transformer（基于 Wan2.2，A14B MoE） |
| 许可证 | Apache-2.0 |
| 模型大小 | 音频约 11.4 GB / 视频约 10.4 GB (bf16) |
| 能力 | 视频→音频、音频→视频、视频+音频生成 |
| 音频 | 16kHz MMAUDIO VAE + BigVGAN 声码器 |
| 推理 | 通过 Kijai WanVideoWrapper 在 ComfyUI 中推理 |
变体
| 变体 | 描述 | 许可证 | 发布日期 |
|---|---|---|---|
| Ovi | 双骨干音频视频模型：音频与视频采用独立骨干，并通过交叉注意力条件进行交互 | Apache 2.0 | 2025-10 |
选择某个变体即可查看教程、自定义节点和相关资讯。精选权重下载收录在 Model Hub 目录中。
评论
使用 GitHub 登录后即可参与讨论。