标签
Temporal Context Routing通过将脚本时间映射到共享的视频-音频时间轴，提升了联合音视频生成中脚本对齐的时间准确性，减少了镜头边界和对话的错误。
EgoCS-400K 是一个大规模的第一人称反恐精英数据集，包含超过40万段第一人称视频和10,000小时的游戏玩法，为世界模型研究提供了时间对齐的视频-动作-语言轨迹。