阿里地图团队开源 DreamX-Creator 1.0：图生视频原生同步生成画面与声音（Apache 2.0，2K）

背景

2026 年 9 月 3 日，阿里高德地图团队 AMAP-ML 开源 DreamX-Creator 1.0——一个原生音视频联合生成模型。多数 AI 视频工具先生成无声片段再后期配音，口型与同步始终勉强；DreamX-Creator 在单一网络内同时去噪视频流与音频流，脚步落在脚踏地时、人声对上口型、房间声匹配房间。架构为 7B 联合生成器（视频 DiT 与音频 DiT 并行），前半段两流各自独立、后半段通过 Gated Cross-Modal Attention 让声画按 token/head 互相倾听；再用 5B 的 AR 单步 2K 精炼器上采样。基于开源 Wan2.2 底座，配套 CreatorDACVAE 音频 VAE，并以强化学习同时给画面、声音、同步三项打分。论文 arXiv 2608.31106，权重与推理代码已放出。

核心要点

• AMAP-ML（高德）开源 DreamX-Creator 1.0
• 单网络单 pass 联合生成视频+音频并同步
• 7B 联合生成器 + Gated Cross-Modal Attention
• 5B AR 单步 2K 精炼器上采样
• Apache 2.0 许可，基于 Wan2.2 底座
• 论文 arXiv 2608.31106，权重已放出

为什么重要

声音是 AI 视频长期被跳过的一半——无声片段只是情绪板，自带同步音频的片段才是一「镜头」。原生 A/V 生成移除了管线中最痛苦的一环；Apache 2.0 的宽松许可对 trailers、动画、游戏过场尤为友好，也显示空间智能竞赛已蔓延到地图这类非传统创意团队。

关键事实速记

• 开源：2026-09-03
• 类型：原生音视频联合生成
• 基座：Wan2.2 + CreatorDACVAE
• 许可：Apache 2.0
• 论文：arXiv 2608.31106
• 输出：2K