AVIO：在视听场景中学习添加与移除发声物体

AVIO 是一种可在视听场景中联合学习发声物体添加与移除的模型，通过源条件特征调制适配预训练文本到视听生成模型。配套构建的 AVIOBench 数据集包含 37.9 小时配对视听样本，覆盖 1,878 个目标物体名称。该模型结合参考帧课程学习，使单个模型即可执行纯指令编辑，并支持通过可选视觉引导控制物体的外观与位置。