阿里通义实验室宣布推出 PrismAudio，一个将强化学习与思维链紧密结合的视频生成环境音框架。其研究重点在于环境音/音效合成，比如马蹄声、风雨声、金属敲击声等与画面内容同步的背景声音，而非人物配音。

PrismAudio 只有 5.18 亿参数，生成 9 秒音频只要 0.63 秒。目前这项研究已被顶级会议 ICLR 2026 收录，代码即将开源。根据介绍，PrismAudio 的突破在于“先思考，再发声”。并且有四位“老师”同时给它打分，其中：

• 语义老师盯着画面，教模型认准“这是马蹄声，不是鸟叫声”。
• 时序老师拿着秒表，监督声音和动作必须严丝合缝。
• 美学老师挑剔音质，要求声音自然、有层次、不刺耳。
• 空间老师听声辨位，检查声音是不是从该来的方向来。

模型在生成声音前，会先分析：这段视频里有什么？应该发出什么声音？声音什么时候开始？什么时候结束？顺序怎么排？声音应该是什么质感？清脆还是低沉？远近怎么处理？声源在左边还是右边？有没有移动？

四份笔记写完，拼接成一份完整的“行动指南”，再交给音频生成模型去执行。“这就是我们说的分解式思维链，不是让模型一拍脑袋出声音，而是让它把思考过程拆开、写下来，每一步都有据可依。”

且每个老师配了一个“打分器”（奖励函数），让四个老师各自打分，互不干扰：

• 语义老师用 MS-CLAP 打分，检查声音和画面内容是否匹配
• 时序老师用 Synchformer 打分，精准测量声音和动作是否同步
• 美学老师用 Meta Audiobox Aesthetics 打分，从清晰度、动态、丰富度等多个维度评估音质
• 空间老师用 StereoCRW 打分，验证左右声道信息是否与画面中的声源位置一致

四个分数加在一起，形成一个综合评分。模型的目标，就是不断调整自己的生成策略，让这个总分越来越高。这样模型不会被单一标准牵着走，而是必须同时满足四个的要求，哪个维度都不掉队。

有了打分机制，下一步就是用强化学习来优化模型。项目团队设计了一个高效训练算法 Fast-GRPO。它的核心思路很简单：把随机探索限制在刀刃上。只在生成过程的极短时间内做随机采样，其余时间走快速通道。这样既保留了探索空间，又把训练时间大幅缩短。

结果显示：在单独优化某个指标时，Fast-GRPO 只用 200 步就达到了传统方法 600 步的性能水平。