阿里通义实验室发布 PrismAudio 框架：视频生成环境音效更精准同步

阿里通义实验室近日发布 PrismAudio 视频生成音频框架，专注于环境音与音效合成，如马蹄声、风雨声等与画面同步的背景声音，而非人物配音。该框架是首个将强化学习与思维链结合的环境音生成工具，通过分解式思维链让模型先‘思考’再生成音频。

PrismAudio 引入四个维度评分机制，采用 Fast-GRPO 高效训练算法缩短训练时间。测试显示它在 VGGSound 和自建 AudioCanvas 数据集上超越现有最优方法，仅 5.18 亿参数却能 0.63 秒生成 9 秒音频。研究已被 ICLR 2026 收录，代码即将开源。