小米推出ControlFoley开源音效生成模型实现声音自定义
AI 给无声视频配乐已经不是什么新鲜事了——只要给一段画面，模型就能自动生成匹配的声音。效果好的时候，甚至能让人有种“原片就带音效”的错觉。不过，问题也随之而来：如果模型只会看画面猜声音，创作者就基本没法控制输出的结果。换个说法就是，我想让它给这段画面配个脚步声，它非得配上风声——而且你还改不了。视
AI 给无声视频配乐已经不是什么新鲜事了——只要给一段画面，模型就能自动生成匹配的声音。效果好的时候，甚至能让人有种“原片就带音效”的错觉。
不过，问题也随之而来：如果模型只会看画面猜声音，创作者就基本没法控制输出的结果。换个说法就是，我想让它给这段画面配个脚步声，它非得配上风声——而且你还改不了。
视频音效生成的下一步，显然需要从“看画面配声音”走向“按意图配声音”。这正是小米大模型应用团队近期开源项目 ControlFoley 的核心价值所在。
一个模型，三类可控能力
ControlFoley 的定位明确：不只是一个“视频生音频”模型，而是一个面向创作控制的多模态音频生成框架。它一次性支持三种不同的任务场景：
- TV2A（文本引导视频配音）：结合视频和文字提示生成同步音效，文本用来补充画面本身表达不清楚的声音语义。
- TC-V2A（文本控制视频配音）：即便文字描述和画面提示不完全一致，模型也能优先遵从文本意图，生成目标声音，同时和视频动作保持时间同步。
- AC-V2A（参考音频控制视频配音）：给一段参考音频，模型会模仿它的音色和风格来配音，但节奏由视频自己决定，不被打乱。
这意味着，用户可以根据自己的实际需求，灵活选择控制方式。不是“模型替我决定”，而是“我告诉它我想要什么”。
联合视觉编码：既理解画面，也听懂控制意图
视频音效生成中，视觉信息往往非常强势——画面本身就自带很强的语义提示，极易在多模态融合时压制文本输入。为了解决这个问题，团队专门重新设计并自训练了一个全新的时空音视频编码器 CA V-MAE-ST，用来增强模型对动作节奏和音视频时间对应关系的理解。
简单说，CLIP 擅长理解视觉与文本之间的通用语义关系；而 CA V-MAE-ST 更专精于“动作什么时候发生、声音应该什么时候出现”这类音视频时空匹配问题。两者结合后，ControlFoley 在画面和文本冲突时，不会一股脑被画面牵着走，更能听进用户的控制指令。
时间-音色解耦：让参考音频控制风格，而不是搞乱同步
参考音频控制的一个老大难问题是：一段声音里既包含“听起来像什么”（音色），也包含“什么时候发生”（节奏）。如果模型直接原样使用这个参考，很容易把参考里的时间结构带进来，反而破坏了和视频画面的匹配。
ControlFoley 的解法是采用时间-音色解耦策略，抑制参考音频里冗余的时间信息，只保留关键的全局音色特征。这样，声音“像什么”由参考音频说了算，声音“什么时候响”照样由视频画面决定，互不干扰。
模态鲁棒训练：一个模型适配多种输入
实际使用场景里，用户能提供的条件各式各样——有时只有视频，有时有视频和文本，偶尔还会加上参考音频。如果模型只为一个条件组合优化，到了不同场景就容易水土不服。
ControlFoley 通过随机模态 dropout 和统一多模态表示对齐训练，让模型在面对不同输入组合时都能稳定输出。再配合统一的 REPA 对齐目标，保证生成音频的内部表示与多模态条件高度一致，语义对齐和控制鲁棒性都有明显提升。
在常规视频配音任务 TV2A 上，ControlFoley 在 VGGSound-Test、Kling-Audio-Eval、MovieGen-Audio-Bench 等多个 benchmark 上均拿下开源 SOTA 表现，效果对比非常直观——语义对齐、时间同步、声音质量指标全线领先。
不止刷榜，下图的频谱对比可以发现，在乐器演奏和体育运动这两类典型的场景中，ControlFoley 生成的音频不仅在关键时刻精准对齐视频节奏，还保留了更多的高频细节。相比之下，某些方法会出现声音事件错位、漏掉关键动作音效、甚至生成与画面完全不匹配的声音。说白了，ControlFoley 不止能“配上声音”，而且配得更准、更细。
此外，对标商业闭源系统 Kling-Foley 的结果同样值得注意——在语义对齐、时间同步和声音质量等关键体验指标上，ControlFoley 表现出稳定的竞争力，完整客观指标可见技术报告。
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
