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。