簡単だが強力な音声付き動画生成のためのベースライン: オーディオとビデオの拡散モデルの効果的な適応による統合生成

提案手法は、既存の音声と動画の拡散モデルを効果的に統合し、時系列調整とクロスモーダル条件付けの新しいメカニズムを導入することで、高品質かつ時間的に整合性の取れた音声付き動画を生成することができる。