上海创智学院 OpenMOSS 团队联合初创公司模思智能（MOSI）正式发布并开源 MOVA（MOSS-Video-and-Audio），这是一个功能强大的多模态基础模型，专为高保真、同步的视频音频合成而设计。

据介绍，MOVA 是中国首个高性能开源音视频模型，实现端到端音画同出，打破 Sora2、Veo3 等闭源技术垄断。MOVA 可生成长 8 秒、最高 720p 视听片段，在多语言口型同步、环境音效契合度上达工业水准。其全栈开源模型权重、训练及推理代码，补全音视频生成开源拼图。技术采用异构双塔架构与跨模态时间对齐机制，搭配多阶段数据管线和训练策略，保障音画精准共鸣。

MOVA 模型架构如下：

实验显示，MOVA 口型同步指标领先 LTX-2 等开源模型，竞技场 ELO 评分 1113.8，胜率超 50%。目前 MOVA 已支持昇腾等硬件，降低使用门槛，推动音视频生成开源共创，助力多模态基础模型发展。

如需进一步了解技术细节或获取代码，可访问项目主页（https://mosi.cn/models/mova）或 GitHub 仓库（https://github.com/openmoss/mova）。