巨人网络 AI Lab 联合清华大学与西北工业大学推出三项研究成果：YingVideo-MV、YingMusic-SVC 与 YingMusic-Singer，并陆续开源。分别面向音乐驱动的视频生成、歌声转换与歌声合成任务，完善了真实业务场景中多项关键能力链路，为 “视频 × 音乐” 的多模态生成方向带来了系统性的技术进展。

其中，YingVideo-MV 模型实现仅凭“一段音乐加一张人物图像”即可生成音乐视频片段，它能够通过对音乐的节奏、情绪和内容结构进行多模态分析，确保镜头运动与音乐高度同步，并具备推、拉、摇、移等镜头语言，同时利用长时序一致性机制有效缓解长视频中常见的人物“畸变”和“跳帧”现象。

在音频生成方面，YingMusic-SVC 主打“真实歌曲可用”的零样本歌声转换能力，通过针对真实音乐场景的优化，有效抑制了伴奏、和声和混响的干扰，显著降低了破音与高音失真风险，为高质量的音乐再创作提供了稳定的技术支撑。

而 YingMusic-Singer 歌声合成模型则支持在给定旋律下输入任意歌词，即可生成发音清晰、旋律稳定的自然歌声，其主要特点在于能够灵活适应不同长度的歌词，并支持零样本音色克隆，大幅提升了 AI 演唱在创作中的灵活度与实用性，有效降低了音乐创作的门槛。