### [MAVIN – 按剧本生成多镜头音视频的叙事控制模型](https://www.zuoshipin.com/)

**Published:** 2026-08-28T04:41:27

**Author:** 天才交易员

**Excerpt:** MAVIN是ECCV 2026 Oral多镜头音视频生成研究，通过边界感知注意力、身份感知传播和多智能体脚本流…

**MAVIN** 是面向多镜头音视频联合生成的研究框架，重点解决镜头切换、对白时间、跨镜头角色一致性以及视觉身份与音色绑定等问题。用户可以从自由形式的故事描述出发，经由多智能体脚本流水线形成全局、镜头和角色三级结构化脚本，再由生成模型按照时间边界执行。

## 核心技术

-   **边界感知注意力：**把镜头描述、角色动作和对白限制在对应时间区间。
-   **身份感知传播：**通过参考图像、参考音频和身份掩码维持跨镜头外貌与音色一致。
-   **多智能体脚本流水线：**将故事梗概补全为包含镜头边界、对白区间、动作和环境声音的可执行脚本。
-   **音视频双塔架构：**分别建模视频和音频，并通过跨模态注意力交换信息。

## 适用场景

MAVIN 面向多角色短剧、数字人表演、影视预演、叙事广告和交互式内容研究，可用于探索镜头节奏控制、说话时间控制、外貌与音色组合以及智能脚本规划。

该页面为研究项目主页，当前是否开放代码、模型权重或在线体验，请以项目页实时状态为准。



---