资讯1 分钟阅读·
SyncVoice自报零样本视频配音SOTA，单一模型统一中英配音
厦门大学与小米MiLM Plus等团队自报：SyncVoice在预训练TTS上接入文本-视觉融合模块，实现口型同步的零样本中英视频配音。
重要性局部证据E2 未复现
一个名为SyncVoice的模型可以让合成语音与画面中的口型等线索时间同步，并据作者称在LRS3数据集零样本配音上达到SOTA，用约600小时中文、1190小时英文视听数据训练出中英统一模型。
此前预训练TTS只按文本生成语音，不感知画面线索，配音与口型难以对齐，中英配音通常还需分别处理。
以上为厦门大学与小米MiLM Plus等团队作者自报结果，尚无独立验证。
边界：结果未经第三方复现；该工作为arXiv预印本（id 2512.05126），2025年11月23日首次提交，2026年9月15日修订为v2。