150 亿参数音视频人像模型开源：Sand.ai 联合团队打造，单 H100 两秒出片

Sand.ai 与上海创智学院 GAIR 实验室联合开源音视频联合生成基座模型 daVinci-MagiHuman，参数规模达 150 亿。该模型采用单流 Transformer 架构，将文本、视频、音频统一为同一 token 序列，通过自注意力完成联合建模，无需跨注意力或模态专属分支。

模型以人像场景为核心，可生成自然的面部表情与语音，实现口型、表情与动作的精准同步，支持中、英、日等六种语言。推理时结合蒸馏、超分辨率等技术，单张 H100 GPU 仅需 2 秒即可生成 5 秒 256p 视频。

客观评测显示，该模型在开源模型中视觉质量与文本一致性均居首位，语音可懂度优于 LTX 2.3 和 Ovi 1.1。完整模型栈（基座、蒸馏、超分模型及推理代码）已全部开源。