阿里通義實驗室今日宣布開源首個音頻生成模型ThinkSound，該模型創新性地將思維鏈(CoT)技術應用于音頻生成領域，使AI能夠逐步分析畫面事件與聲音的關系，實現高保真、強同步的空間音頻生成。

　　ThinkSound由多模態大語言模型和統一音頻生成模型兩部分組成，通過理解整體畫面、聚焦具體物體、響應用戶指令三個階段生成精準對位的音頻效果。為支持模型訓練，研究團隊構建了多模態音頻數據集AudioCoT，包含2531.8小時高質量樣本，涵蓋動物鳴叫、機械運轉等多種真實場景，并設計了精細化的數據篩選流程。

　　該模型解決了傳統視頻到音頻生成技術難以捕捉動態細節和空間關系的問題，使AI能夠像人類音效師一樣結構化地分析和合成聲音。