時間-音色解耦這個設計挺有意思，終於不用聽AI配音那種千篇一律的罐頭音效了，期待實際玩起來。

幣界網消息，小米大模型應用團隊發布並開源視頻音效生成框架ControlFoley。該模型的重點是「可控性」，能夠根據畫面配音，也能接受文字描述或參考音頻，讓聲音按創作者意圖生成。ControlFoley採用基於cav-mae改造的時空音視頻編碼器，並引入「時間-音色解耦」策略，確保聲音與畫面同步。該模型在多個常規視頻配音測試中達到開源SOTA水平，項目的技術報告、代碼、模型權重和demo均已開放。