К содержимому
Видео

NAVA

синхронные видео и звук из одного промпта

2 мин чтенияобновлено

NAVA — совместный аудио-видео генератор на 6.3B параметров: по текстовому описанию он создаёт видео и звук одновременно, включая диалоги нескольких говорящих с привязкой голоса к реплике по reference WAV (образцу голоса), а также продолжение сцены по первому кадру изображения. В карточке указана команда ERNIE Team (Baidu Inc.). Модель построена на базе Wan2.2-TI2V-5B, а её архитектура Align-then-Fuse MMDiT сначала выстраивает соответствие аудио и видео, затем добавляет текстовый контекст. На Verse-Bench она показывает лучшие Sync-C / Sync-D, качество видео и WER среди open-source AV-baseline, используя в 2–5 раз меньше параметров. Пригодится для быстрых прототипов роликов, сцен с диалогами и озвучкой.

Ключевые особенности

  • Совместная генерация видео и стерео-аудио (сцена + речь) без отдельного post-hoc vocoder выравнивания.
  • Контроль тембра: reference WAV привязываются к репликам через <S>...<E>, до двух говорящих.
  • Управление камерой текстом: композиция, движение и темп задаются промптом.
  • 720p и разные соотношения сторон: 1280×704 рекомендуется, 960×960 тоже поддерживается; 37 кадров ≈ 6 с, 55–61 кадр ≈ 9–10 с.
  • Один GPU или Ulysses sequence parallel до 8 GPU; bf16, flow matching и UniPC scheduler.

Что можно сделать

  • Сгенерировать сцену с диалогом двух персонажей: прописать реплики в <S>...<E> и подставить два reference WAV.
  • Задать движение камеры текстом: следование за героем, облёт, смена плана.
  • Оживить первый кадр изображения через image_path и получить продолжение сцены со звуком.
  • Собрать пакет промптов в JSONL и запустить генерацию через скрипты или Gradio-демо.

Пример

git clone https://github.com/ernie-research/NAVA && cd NAVA
pip install torch torchvision torchaudio diffusers transformers accelerate
huggingface-cli download <NAVA-repo-id> --local-dir .
bash scripts/inference.sh
ПодробнееVerse-Bench: Sync-C 7.7914, Sync-D 7.5655, WER 0.099; Seed-TTS-eval: WER 5.81, speaker similarity 62.4.
Чекпоинт 24 ГБ; дополнительно Wan2.2 VAE 2.7 ГБ, T5 11 ГБ и аудио-VAE 348 МБ.
Выход: 37 кадров ≈ 6 с или 55–61 кадр ≈ 9–10 с; аудио до 10 с; 720p.
Обучение на плотных китайских описаниях: короткие и английские промпты лучше переписывать. Лицензия Apache-2.0.
Обсудить Telegram 0 24

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы15 GB
  • FP8 / INT8рекомендуемвеса 5.3 GB9.1 GB
  • 4-bitвеса 3.0 GB6.4 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 3080 · BF16 — от RTX 5080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # starrysproutkids/NAVA
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download starrysproutkids/NAVA --local-dir ~/models/NAVA
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к NAVA
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Wan-AI/Wan2.2-TI2V-5B

Новые посты про версии Wan2.2-TI2V-5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

starrysproutkids/NAVA
Автор
starrysproutkids
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

DiTGS

DiTGS
Видео

MoPlan

MoPlan