论文解读
视频生成背后：Kling 如何把多模态理解变成可控生成
本文把生成质量看作理解沿数据—条件—对齐—评测链的投影，用共享的 Kling-MLLM 统一做标注、改写、编码、奖励和评测，并在多组对照中显示密集标注与分布对齐带来可复述的增益，但结论只在同分布条件与固定评测配置下成立。
视频生成
每日研究速递
语音/音乐/音频论文速递 2026-11-04
共分析 28 篇语音/AI 论文
论文解读
边播边改：交互式流视频生成的统一评测
StreamEval 用 300 个定时交互用例考查边生成边响应能力，发现好看和像本人不等于听指令，最高请求执行分也只有 36.90、25.93 和 15.00，而完整编辑还要同时付出保源和保时的代价。
每日研究速递
语音/音乐/音频论文速递 2026-10-23
共分析 58 篇语音/AI 论文
论文解读
FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching
视频生成 | 4.9/10
论文解读
PresentAgent-2: Towards Generalist Multimodal Presentation Agents
生成模型 | 6.5/10
会议任务专题
ICLR 2026 - 视频生成
共 2 篇 ICLR 2026 视频生成 方向论文
论文解读
InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions
视频生成 | 7.5/10
论文解读
Stable Video Infinity: Infinite-Length Video Generation with Error Recycling
视频生成 | 7.0/10
论文解读
InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions
视频生成 | 9.0/10
论文解读
Stable Video Infinity: Infinite-Length Video Generation with Error Recycling
视频生成 | 8.8/10
论文解读
Syncphony: Synchronized Audio-to-Video Generation with Diffusion Transformers
音频生成 | 7.5/10
会议任务专题
ICASSP 2026 - 视频生成
共 2 篇 ICASSP 2026 视频生成 方向论文
论文解读
MirrorTalk: Forging Personalized Avatars Via Disentangled Style and Hierarchical Motion Control
语音合成 | 7.0/10
论文解读
StyHarmo: Efficient Style-Specific Video Generation with Music Synchronization
视频生成 | 6.5/10
论文解读
VT-Heads: Voice Cloning and Talking Head Generation from Text Based on V-DiT
视频生成 | 6.5/10
论文解读
CoInteract: Physically-Consistent Human-Object Interaction Video Synthesis via Spatially-Structured Co-Generation
1. **问题**：现有视频扩散模型在生成人机交互（HOI）视频时，常出现手/脸结构崩溃和人机物理穿透等问题，根源在于模型缺乏对3D空间关系和交互结构的理解。 2. **方法核心**：提出CoInteract框架，核心是“空间结构化协同生成”范式。在一个共享的DiT骨干中联合训练RGB外观流和辅助的