2026年最新全面综述JavisVerse | 一文详解大型基础模型中的视听智能（AVI）

猫先生Mr.Mao

468人浏览 · 2026-05-28 14:48:20

猫先生Mr.Mao · 2026-05-28 14:48:20 发布

				〔更多精彩AI内容，尽在 「魔方AI空间」 ，引领AIGC科技时代〕

								本文作者：猫先生

经典文章回顾：

写在前面
【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。

项目地址🔗：https://ai-mzq.github.io/From-Zero-to-AGI/

这篇名为 JavisVerse 的综述深入探讨了大型基础模型时代的视听智能（AVI）发展现状。作者群来自新加坡国立大学、牛津大学及微软等顶级机构，系统性地构建了涵盖感知、生成与交互三大维度的技术分类体系。
文中详尽梳理了从模态表征、跨模态对齐到自回归与扩散生成的核心技术演进路径。

《Audio-Visual Intelligence in Large Foundation Models: A Comprehensive Survey》 聚焦的是 视听智能（Audio-Visual Intelligence, AVI）在大基础模型时代的系统化整理。

这里的 JavisVerse 更准确地说不是一个单一模型，而是论文所依托的视听智能研究框架与资源体系，其目标是把分散在音频理解、视频理解、音视频生成、数字人、具身智能、Omni 模型等方向中的方法、任务和评测重新组织到统一坐标系中。

论文主页：https://github.com/JavisVerse/Awesome-AVI

论文面对的核心问题可以概括为：

当前多模态研究已经不再只处理“图文对齐”或“语音识别”这类相对单点的问题，而是转向能够同时看、听、说、生成、编辑和行动的综合系统。音频与视觉之间的关系也不只是共现关系，而涉及时间同步、事件因果、空间传播、主体交互和用户意图。

从研究脉络看，AVI 的复杂性主要来自三点：

信号形态差异明显：音频是连续时间波形，视觉是空间或时空结构；二者在采样率、token 密度、语义粒度上并不一致。
对齐关系并非天然稳定：声音可以来自画面外，也可能存在延迟、遮挡、混响、混合声源等问题。
任务边界正在融合：理解、生成与交互不再是独立模块，例如实时语音视频助手既要识别声音、理解画面，也要生成语音、表情或动作响应。

因此，论文的研究问题并不是提出某个新算法，而是回答一个更基础的问题：在大模型时代，视听智能应如何被定义、分类、训练、评测和推进。

Audio-Visual Intelligence 演进树

图 1：论文给出的 Audio-Visual Intelligence 演进树，按照理解、生成、交互三条主线梳理了 2016-2026 年间代表性工作。

JavisVerse 的核心定位与目标

JavisVerse 的核心定位可以理解为“面向视听智能基础模型的研究地图”。论文试图将 AVI 从多个相互割裂的子领域中抽象出来，并建立统一的分析框架。

1. 从任务集合转向能力体系

传统音视频研究通常按任务划分，例如：

语音识别；
声源定位；
唇语识别；
音视频事件检测；
视频配音；
音频驱动人脸动画；
文生视频或文生音频。

这类划分有助于基准测试，但不足以解释大模型时代的系统能力。论文将这些任务归纳为三类能力：

能力层级	代表任务	核心问题
感知	AVQA、声源定位、音视频分割、同步检测	模型如何从音频与视觉中识别事件、主体与关系
生成	V2A、A2V、T2AV、联合编辑	模型如何生成语义一致、时间同步的音视频内容
交互	Omni 对话、数字人、VLA、具身智能	模型如何在动态环境中理解、回应并行动

这种组织方式的价值在于，它把 AVI 从“多个任务的列表”提升为“多模态系统能力的演进路径”。

2. 从音视频对应转向因果理解

论文反复强调一个关键判断：音频和视觉不是简单的配对样本，而是动态世界的两种观测。一个玻璃杯落地的声音，不只是和某几帧画面相似，而是由物体、动作、材质、空间和传播路径共同决定。

这意味着未来 AVI 模型不能只学习“声音和画面是否匹配”，还需要推断：

声音由哪个物体或事件产生；
声源是否在画面内；
声音与视觉动作之间是否存在合理延迟；
空间结构、材质和遮挡如何影响声音；
编辑某个视觉对象后，对应声音是否需要同步改变。

这也是论文将未来方向概括为“causal, contextual, controllable, verifiable, interactive”的原因。

整体技术框架解析

论文的整体结构比较清晰，可以拆成四层。

第一层：模态表示

论文首先回到音频和视觉的基础表示。音频通常从 waveform、spectrogram、codec token 或语义 token 进入模型；视觉则包括图像、视频帧、视觉 patch、离散视觉 token 或 latent 表示。

这一层解决的是“如何把物理信号变成模型可处理的表示”。

模态	原始形态	常见表示	典型方法
音频	waveform	spectrogram、codec token、HuBERT/BEATs 表征	SoundStream、EnCodec、Whisper、BEATs
图像/视频	pixels / frames	patch token、VQ token、latent feature	CLIP、SigLIP、VQGAN、MAGVIT
音视频联合	paired clips	shared embedding、interleaved token、joint latent	CAV-MAE、ImageBind、DenseAV

这里的关键不是单纯“编码”，而是压缩与保真之间的平衡。音频和视频都有高时间密度，如果直接输入大模型，会带来极高 token 成本。因此，tokenizer 和压缩策略实际上决定了 AVI 系统能否处理长视频、实时音频和多轮交互。

第二层：基础建模技术

论文将基础方法分为三类：

Representation-centric Methods：以表征学习为核心，例如自监督学习、对比学习、跨模态对齐、VAE、离散 tokenization。
Generation-centric Methods：以生成机制为核心，包括 GAN、diffusion、autoregressive generation、masked autoregressive generation。
LLM-centric Methods：以大语言模型为推理与调度核心，包括 Encoder+LLM、LLM+Generator、统一感知生成模型、Agentic 系统和 VLA。

图 2：论文对 Encoder+LLM、LLM+Generator、统一感知生成模型、Agentic Model 与 VLA Model 的机制对比。

这一分类比较重要，因为它避免了把所有多模态模型都简单归为“MLLM”。在 AVI 中，LLM 可能承担不同角色：

架构类型	LLM 的角色	优点	主要问题
Encoder + LLM	多模态理解与推理	模块化强，便于复用视觉/音频编码器	细粒度对齐不足，长音视频 token 成本高
LLM + Generator	意图解析与工具调度	易接入现有生成器，工程扩展灵活	级联误差、同步不稳定
Unified Model	原生感知与生成	对齐更紧密，交互延迟可能更低	训练复杂，tokenizer 与数据规模要求高
Agentic System	任务规划、工具调用、状态管理	适合复杂创作和长流程任务	工具 grounding、状态一致性和错误传播难处理
VLA	感知-推理-行动闭环	面向机器人与具身场景	数据采集、跨实体泛化和安全控制困难

第三层：任务主线

论文用三大主线组织 AVI 任务：

感知：从像素/样本级感知，到内容理解，再到逻辑推理；
生成：从单模态条件生成，到跨模态生成，再到联合音视频生成；
交互：从语音/视觉对话，到数字人，再到具身智能和 VLA。

这种分层体现了一个清晰趋势：AVI 正在从“识别已发生的事件”转向“生成可控事件”，再转向“在交互中持续理解与行动”。

图 3：论文将视听感知组织为像素/样本级感知、内容理解和逻辑推理三个阶段。

图 4：论文将视听生成划分为条件生成、跨模态生成和联合音视频生成，体现从独立生成到紧耦合同步生成的过渡。

第四层：未来研究轴

论文在最后提出六个未来方向：

方向	当前常见假设	更深层目标
时间同步	判断音画是否对齐	建模事件源、传播路径与因果关系
世界模型	音视频是成对 clip	建模几何、材质、动力学、空间声学
上下文记忆	增加上下文窗口即可	构建分层、可追溯的音视频记忆
因果编辑	prompt 描述目标内容	对对象、声音、身份、空间进行局部干预
验证与奖励	用 FID/FVD/SyncNet 近似质量	构建多层 verifier 与 reward 体系
负责任交互	Omni 模型可直接部署	平衡实时性、隐私、同意、溯源与安全

图 5：论文提出的 AVI 发展路线图：当前前沿集中在交互式 Omni 与具身系统，后续阶段强调因果上下文建模与可验证的 Agentic AVI。

这一部分是论文中最有研究判断的内容。它把 AVI 的未来从“更大模型、更大数据”转向“更强结构、更可靠验证、更可控交互”。

数据、模型与训练体系分析

虽然论文是综述，不是 JavisVerse 单一模型的训练报告，但它对数据、模型和训练体系给出了相对完整的归纳。

1. 数据：从配对数据到结构化、长时程、多任务数据

早期 AVI 依赖大量音视频配对数据，例如 AudioSet、VGGSound、AVE、LRS 系列。这类数据适合学习“声音与画面是否相关”，但对因果、空间和交互能力支持有限。

论文中提到的数据类型可以概括为：

数据类型	代表数据集/基准	支持能力
开放域音视频 clip	AudioSet、VGGSound	通用音视频对应与预训练
事件定位数据	AVE、LLP、UnAV-100	时间边界、事件 grounding
音视频分割数据	AVSBench、AVSBench-Semantic、OmniAVS	声源区域定位
问答与推理数据	AVQA、MUSIC-AVQA、Daily-Omni、OmniVideoBench	跨模态理解与推理
生成评测集	JavisBench、Verse-Bench、T2AV-Compass、PhyAVBench	联合音视频生成质量评估
具身数据	SoundSpaces、OpenVLA 相关数据	视听导航、机器人交互

可以看到，数据正在从“短 clip 分类”转向“长视频、开放问答、音频不可替代性、因果一致性和物理合理性”。

2. 模型：模块化路线与统一路线并行

论文没有简单判断哪种路线一定更优，而是呈现了两条并行路径：

模块化路线：用独立音频编码器、视觉编码器、LLM、扩散生成器、工具系统组合出 AVI 能力；
统一路线：用统一 token 空间或统一 backbone 同时支持理解、生成和交互。

模块化路线的工程优势明显。比如 Visual ChatGPT、AudioGPT、NExT-GPT 等系统可以快速接入不同工具。但其缺点也清楚：音频生成器和视频生成器可能各自合理，却在时间同步、事件对应和用户意图上产生偏差。

统一路线更接近 GPT-4o、Qwen2.5-Omni、Qwen3-Omni、Moshi、JavisDiT、Ovi、UniVerse-1 这类系统方向。它们试图让模型原生处理多模态输入输出，减少级联误差。但统一路线对 tokenization、训练稳定性、数据配比和推理成本要求更高。

3. 训练：从自监督对齐到指令对齐与偏好优化

论文归纳的训练体系大致包括四个阶段：

自监督/对比预训练
利用音画自然同步作为监督信号，学习 shared embedding 或跨模态对应关系。典型方法包括 AVTS、CAV-MAE、ImageBind、LanguageBind 等。
生成式预训练
通过 diffusion、autoregressive 或 masked autoregressive 目标学习音频、视频或联合 token 的生成分布。
指令微调
将音视频理解、问答、编辑和生成转化为指令跟随任务，使模型能够响应自然语言控制。
偏好优化与强化学习式后训练
用 DPO、GRPO、process-level preference optimization 等方式改进主观质量、同步性、推理过程和可控性。

这一训练路径与文本大模型的发展有明显对应关系，但 AVI 的难点更高：文本 token 本身是离散语义单位，而音频和视频 token 同时承载语义、时间、空间和感知质量。训练目标一旦设计不当，模型可能在某个维度提升，同时损害另一个维度。例如优化 lip-sync 指标可能改善口型同步，但不一定改善情绪、韵律或非语音声源的合理性。

关键创新点总结

论文的创新不在单个模型结构，而在系统性归纳与问题重构。

1. 提出大模型时代的 AVI 统一分类

论文将 AVI 组织为感知、生成、交互三大方向，并进一步细化到像素感知、内容理解、逻辑推理、跨模态生成、联合生成、Omni 对话、具身交互等层级。这种分类有利于减少不同社区之间的术语差异。

2. 强调音视频关系的因果属性

论文没有停留在“跨模态对齐”这一常见表述，而是进一步指出：真正的 AVI 需要解释事件源、传播路径、空间结构和不确定性。这一判断对后续研究很关键，因为它意味着单纯扩大 paired clips 数据并不能自动解决视听智能问题。

3. 将 verifier 和 reward ecosystem 提到核心位置

音视频生成的评估长期依赖 FID、FVD、CLIP similarity、SyncNet 等指标。但这些指标只能覆盖局部质量，无法判断声源是否正确、物理关系是否合理、长时程是否一致。论文提出分层 verifier 思路，将信号质量、时间同步、源定位、物理因果、任务效用、安全溯源纳入统一评估框架。

4. 把交互视为 AVI 的严格测试场景

静态理解和离线生成可以回避延迟、打断、记忆、隐私和状态管理问题。但真实交互场景无法回避这些约束。因此，论文认为 Omni 对话、数字人和 VLA 不是 AVI 的附属应用，而是检验视听智能是否成熟的重要场景。

与现有多模态/视听智能工作的对比

与图文多模态模型相比

以 CLIP、BLIP-2、LLaVA、Qwen-VL、InternVL 为代表的图文模型主要解决视觉与语言对齐问题。它们通常关注图像或视频帧中的语义内容，而音频的时间连续性、声源混合和空间传播并不是核心建模对象。

AVI 相比图文多模态多了几个约束：

音频与视频必须在时间轴上精确对应；
声音可以来自画面外；
多个声源可能同时存在；
视觉事件与声音之间可能有因果延迟；
生成任务需要同时保证视觉质量、音频质量和跨模态一致性。

因此，把视觉语言模型简单扩展一个音频 encoder，并不等价于解决 AVI。

与视频理解模型相比

Video-LLaMA、Video-ChatGPT、LongVA、LongVU 等模型主要处理视频帧序列和语言之间的关系。它们对长时程视觉理解有帮助，但在音频不可替代的问题上存在不足。

例如，一个视频问题可能需要听到警报声、脚步声、撞击声或语气变化才能回答。只看视频帧，即使画面语义完整，也可能得出错误结论。论文提到的 AVQA、Daily-Omni、OmniVideoBench 等基准，正是在推动模型从“视觉主导”转向真正的音视频联合推理。

与音频语言模型相比

Pengi、SALMONN、Qwen-Audio、Audio Flamingo 等音频语言模型提高了音频理解与推理能力，但它们通常缺少视觉 grounding。对于“哪个物体发出了声音”“声音来自画面内还是画面外”“这个动作是否与声音同步”等问题，单独音频模型无法充分回答。

AVI 的核心在于把音频事件绑定到视觉对象、空间位置和时间轨迹上。

与生成模型相比

Sora、Veo、MovieGen、Wan、Kling、JavisDiT、Ovi、UniVerse-1 等系统代表了音视频生成方向的快速发展。论文对这些工作的分析比较克制：它承认工业系统在数据规模、基础生成器和后训练上领先，同时也指出开放研究已经在联合建模、同步机制和评测体系上形成较清晰路径。

关键差异在于：

方向	主要目标	AVI 视角下的不足
文生视频	生成高质量视觉动态	声音常作为后处理，音画因果不足
视频配音 V2A	为视频生成声音	容易生成语义合理但事件不精确的声音
音频驱动视频 A2V	用声音驱动画面	同一音频对应多个可能视觉结果，可控性不足
联合 T2AV	同时生成音频和视频	训练成本高，评测困难，长时程一致性仍不足
联合编辑	同步编辑音画	局部性、因果影响范围和副作用控制困难

工程实现与潜在难点

如果从工程系统角度实现 JavisVerse 所描述的 AVI 能力，难点并不只是模型规模。

1. Token 成本与流式处理

音频和视频都是高频信号。长视频输入、实时语音输入、多轮对话记忆叠加后，token 成本会迅速上升。工程上必须处理：

音频 token 降采样；
视频帧选择与压缩；
关键事件缓存；
流式 chunk 编码；
跨模态时间戳对齐；
低延迟解码。

这意味着 AVI 系统不能只依赖“大上下文窗口”，还需要分层记忆与事件级索引。

2. 音画同步不是后处理问题

很多级联系统先生成视频，再生成音频，或者先解析音频，再驱动画面。这种方式实现简单，但容易出现同步漂移。真正可靠的系统需要在中间层显式表示事件、节奏、onset、动作轨迹和声源绑定。

例如 V2A 任务中，模型不能只知道“画面里有狗”，还要知道狗何时张嘴、是否真的在叫、声音是否应被遮挡或混响影响。

3. 统一模型训练不稳定

统一 AVI 模型通常需要同时处理文本、音频、图像、视频以及可能的动作 token。不同模态的数据规模、质量、损失函数和收敛速度并不一致，容易出现模态偏置。例如模型可能过度依赖视觉线索，忽略音频证据；或者在生成中优先优化画面质量，牺牲音频同步。

这要求训练体系在数据配比、loss 权重、curriculum、post-training reward 上进行细致设计。

4. 评测指标难以覆盖真实质量

单个指标无法覆盖 AVI 的完整质量。一个生成视频可能 FVD 很好，音频 FD 也不错，但声源错误、节奏错位或物理因果不成立。工程部署需要组合多种 verifier：

音频质量 verifier；
视频质量 verifier；
音画同步 verifier；
声源 grounding verifier；
指令一致性 verifier；
安全与身份风险 verifier。

这类评估系统本身可能会成为 AVI 基础设施的一部分。

行业价值与应用场景

论文列举了多个应用方向，其共同点是音频与视觉都不是附属信息，而是共同构成任务状态。

1. AIGC 与内容生产

视听联合生成可用于短视频、影视预演、广告素材、游戏 cutscene、音乐视频和自动 Foley。相比单独视频生成，AVI 的价值在于减少后期配音、音效设计和同步调整成本。

但真正可用的系统必须支持局部编辑。例如只替换某个物体的声音、只调整背景环境声、只修改人物情绪而保持身份和口型一致。

2. 数字人与社交交互

数字人系统需要同时处理语音、表情、口型、头部姿态、手势和对话语义。单纯 lip-sync 已不足够，未来系统需要建模说话人的情绪、语速、停顿、语境和交互角色。

这也是音频驱动 2D/3D avatar、talking head、full-body avatar 方向持续发展的原因。

3. 人本智能服务

教育、会议助手、无障碍辅助、医疗陪护等场景都需要同时理解“说了什么”和“发生了什么”。例如课堂场景中，模型需要识别教师语言、板书内容、学生反应和环境声音；会议场景中，模型需要处理说话人识别、屏幕内容、语气变化和上下文记忆。

4. 沉浸式体验与 XR

XR 场景对空间音频、视觉几何和交互延迟要求高。一个声音是否来自正确方向、是否被墙体遮挡、是否随用户移动发生变化，会直接影响沉浸感。这里 AVI 与 3D 场景理解、神经渲染、空间声学和世界模型高度相关。

5. 具身智能与机器人

机器人不仅要“看见”物体，也要“听见”接触、碰撞、滑动、故障和人类指令。音频可以补充视觉盲区，尤其在遮挡、暗光、接触反馈和异常检测中具有价值。AVI 对 VLA 模型的意义在于，让机器人从视觉语言动作模型进一步走向视听语言动作模型。

6. 安防、工业与 IoT

工业设备异常常先表现为声音变化，视觉缺陷也可能与机械噪声同步出现。音视频联合监测可以提高异常检测、事故定位和证据分析的可靠性。但这类场景也对隐私保护、边缘计算和数据最小化提出更高要求。

当前局限性与未来发展方向

1. 当前模型仍偏相关性学习

大量 AVI 方法仍依赖音视频共现数据。模型知道“吉他画面常对应吉他声”，但未必理解声音由哪根弦、哪个动作、哪个空间位置产生。论文提出的 event-source grounding 正是针对这一问题。

未来需要更多反事实数据与干预式训练，例如：

可见但静音的物体；
画面外声源；
延迟或错位事件；
材质与声音不匹配；
多声源混合场景。

2. 长时程视听记忆不足

长视频理解不能简单等同于塞入更多帧和音频 token。模型需要知道哪些声音短暂但关键，哪些画面冗余可压缩，哪些事件需要长期记忆。未来 AVI 系统可能采用分层记忆：

原始片段缓存；
事件级 memory；
语义摘要；
声源轨迹；
用户意图和任务状态。

3. 联合生成仍受数据规模制约

论文对 T2AV 方向的判断比较务实：开放模型已经探索出联合生成的大致范式，但与前沿商业系统相比，差距主要来自数据规模、基础模型成熟度和后训练深度，而不是单一结构技巧。

4. 评估体系仍不成熟

当前评测仍存在碎片化问题。不同任务使用不同指标，生成任务更依赖主观评估。未来需要更统一的评测协议，尤其是：

音频是否必要；
声源是否正确；
音画是否因果一致；
长时程是否保持稳定；
编辑是否只影响目标区域；
是否存在身份、隐私和版权风险。

5. 交互式 AVI 的安全问题更复杂

实时视听系统会接触语音、面部、环境、位置和行为习惯。相比静态文本模型，它的隐私边界更敏感。未来系统需要在架构层面考虑：

本地处理；
数据脱敏；
用户可控记忆；
合成内容水印；
声音与人脸授权；
对拟人化交互的约束。

总结与评价

《Audio-Visual Intelligence in Large Foundation Models》是一篇偏研究框架型的综述。它的价值不在于提出一个新的网络结构，而在于把视听智能从多个分散方向中重新整理出来，并指出大模型时代 AVI 的核心问题已经从“音视频是否匹配”转向“模型是否理解事件、因果、空间、记忆、控制和交互”。

从技术判断看，论文最值得关注的观点有三点。

第一，AVI 不能被简化为“视觉模型加音频编码器”。音频与视觉之间存在时间、空间和因果关系，尤其在生成、编辑和具身场景中，这些关系会直接决定系统是否可靠。

第二，未来 AVI 的竞争重点不只是模型参数规模，而是数据结构、tokenization、长时程记忆、verifier、reward 和可控编辑能力。单纯扩大 paired clips 只能改善共现建模，难以自动获得因果理解。

第三，交互式系统会成为 AVI 的主要检验场。离线任务可以掩盖同步、延迟、状态管理和安全问题，而实时对话、数字人和机器人会把这些问题全部暴露出来。

整体而言，JavisVerse 提供的是一套较完整的视听智能研究坐标。它既覆盖了当前多模态大模型、视频生成、音频生成和 Omni 模型的主流进展，也对未来研究提出了更具结构性的判断：真正成熟的 AVI 系统，需要能够解释视听证据、预测行动后果、保持可追溯记忆、执行局部因果编辑，并在可验证和负责任的条件下与人交互。