MMAudio 是什麼？
MMAudio 是多模態生成模型，能依影片與可選文字合成同步音訊。在影片—音訊與文字—音訊資料上的聯合訓練教會語意對齊；同步模組再把音訊潛向量對齊到影片幀。結果是全新配樂，不是對來源檔做解多工抽取。
MMAudio 影片轉音訊生成
MMAudio 依影片與可選文字提示，合成電影感配樂——它不會把檔案裡原本的音訊抽出來。這差別很關鍵：多數「影片轉音訊」頁面其實是抽取器。MMAudio 是需要 GPU 的研究型影片轉音訊生成模型（CVPR 2025），本頁也不會假裝能在瀏覽器裡跑它。把連結貼進下方即時的 BibiGPT 工具，先讀懂畫面與對白——這是配樂流程裡「理解」那一半。
生成，不是抽取 GPU 研究模型 即時摘要嵌入
Read the video here before you score it
Paste a video or podcast URL — BibiGPT returns key points, a transcript, and a visual read. The live app loads inline. This is not an in-browser MMAudio renderer.
將 BibiGPT 設為 Google 優先來源 在熱門報導和 AI 總覽裡看到更多 BibiGPT。
1 
2 
3
一句話分清生成與抽取
MMAudio 寫的是跟著畫面走的全新配樂；抽取器複製的是檔案裡已有的音訊。本頁先講清「影片轉音訊生成」這條意圖，再交給你即時的 BibiGPT 嵌入區，讓你在去找 GPU demo 之前，先摘要並讀懂同一支片段。
Features
MMAudio 真正在做什麼
MMAudio 是影片轉音訊生成模型：給它一段影片與可選文字，它會寫出與畫面幀同步的全新配樂。抽取工具只是把容器裡既有的音軌解出來。把兩種意圖混在同一搜尋頁，只會互相搶流量。
是生成，不是解多工抽取
抽取器回答的是「把這支 MP4 裡已有的 MP3 給我」。MMAudio 回答的是「依畫面發明擬音、環境音或配樂」。無聲的 AI 影片、暫代音軌粗剪、研究 demo，都落在第二類。
以影片＋可選文字為條件
2024–2025 的 MMAudio 研究在影片—音訊與文字—音訊資料上聯合訓練，再把音訊潛向量對齊到影片幀。你可以用短提示詞引導聲音，但節奏仍由畫面驅動。
不是瀏覽器編解碼器
公開檢查點約在 157M 參數量級，作者回報在 GPU 上生成 8 秒約需 1.23 秒。沒有 WebAssembly 移植。宣稱能在分頁內「轉換」的落地頁，做的是抽取，不是在跑 MMAudio。
為什麼 BibiGPT 會坐在生成器旁邊
配樂工作從「搞清楚畫面在幹嘛」開始。BibiGPT 把同一條連結變成附時間戳的逐字稿、結構化摘要與畫面解讀——等於交給音效設計師的 brief，卻不用自己組研究環境。
先讀懂場景，再寫配樂
生成器對齊的是動態與提示文字。它不會告訴你講座在辯什麼、短片笑點落在哪一秒、畫面上實際出現哪些物件。摘要與畫面分析補的就是這塊。
同一條連結，不用設定 GPU
把 YouTube、Bilibili 或本機檔案流程貼進上方嵌入區，就能拿到可搜尋、可匯出的筆記。生成那一半，仍屬於研究 demo 或工作室機器。
抽取器歸抽取器
若你真的需要原始音軌，請用 MP4-to-MP3 抽取器。本頁不會把那份工作重新包裝成 MMAudio。一種意圖，一個網址。
本頁三步驟
你不會在這裡渲染 MMAudio。你會帶走這支片段的 brief，以及生成與抽取之間清楚的分界。
- 1
打開即時摘要工具
使用 hero 下方的嵌入區。貼上影片或播客網址。BibiGPT App 會內嵌載入——開始時不必再開分頁。
- 2
讀懂畫面與對白
取得結構化摘要、附時間戳的逐字稿，以及畫面上出現什麼的視覺解讀。這正是配樂關卡需要的 brief。
- 3
選擇生成或抽取
靜音或配樂很糟的畫面 → GPU 上的 MMAudio demo 或聲音編輯器。必須保留的原始音軌 → 抽取器。別把兩種工作丟到同一個網址。
MMAudio vs 抽取器 vs BibiGPT
三種工具，三種工作。搜尋引擎與使用者都需要這條界線保持誠實。
| 能力 | MMAudio（生成） | 音訊抽取工具 | BibiGPT |
|---|---|---|---|
| 輸出 | 與畫面同步的全新配樂 | 解出的原始音訊串流 | 逐字稿、摘要、畫面分析 |
| 能否在瀏覽器跑 | 否——需要 GPU／研究 demo | 經常可以（本機轉換） | 可以——貼上連結即可 |
| 等同「影片轉音訊」嗎？ | 僅限「生成」那一義 | 是——「抽取」那一義 | 否——是在理解片段 |
| 最適合何時 | 片段靜音或需要新配樂 | 必須保留來源音軌 | 你得先搞清楚發生什麼 |
3 個典型情境
生成、抽取與理解，不該共用同一個網址。
無聲 AI 影片仍需要空間感
文生影片來了，卻沒有擬音。先用 BibiGPT 弄清楚畫面上實際發生什麼，再用生成模型提出跟著那些事件走的環境音——而不是從空音軌扒出一支 MP3。
粗剪暫代音軌不能上線
畫面已鎖，佔位音樂授權有問題或根本不對。從摘要讀出場景節拍，再生成或設計配樂。抽取只會把你已經討厭的暫代音軌再給你一次。
講座內容必須一字不漏
這是抽取加轉寫的工作。先解出原始人聲，再做摘要。MMAudio 會發明一層新襯底，並丟掉真正重要的那些話。把這類意圖丟給抽取器加 BibiGPT，不要丟給生成器。
資料來源
以下模型事實依論文與作者專案頁，不是經銷商文案。
-
MMAudio 透過多模態聯合訓練與幀級同步模組，從影片與可選文字合成高品質、同步的音訊。作者回報約 157M 參數，生成 8 秒約需 1.23 秒，程式碼與 demo 見專案頁。
Cheng et al., arXiv:2412.15322 (CVPR 2025) ↗ -
MMAudio 的專案頁、程式碼、Hugging Face demo 與 Colab 由作者發布於 hkchengrex.github.io/MMAudio。
MMAudio project page ↗
影片轉音訊，定義清楚
什麼是影片轉音訊生成？
影片轉音訊生成是產出一段符合影片事件與時間軸的新音訊波形，有時可用文字提示引導。用在片段靜音、配樂不佳、或生成時本來就沒聲音的情況。它不是語音辨識，也不是把 MP3 從 MP4 裡扒出來。
什麼是從影片抽取音訊？
音訊抽取（解多工）把影片容器裡已存的音訊串流複製成 MP3 或 WAV 等檔案。不會發明新聲音。當原始人聲或音樂必須保留時，抽取才是對的工具；當那條串流缺失或錯誤時，才輪到生成。
深受創作者、學生和研究人員的喜愛
看看大家為什麼每天都用 BibiGPT 把影片轉成文字。
全球 50,000+ 使用者的信賴之選
★★★★★
“貼上連結幾秒鐘就拿到乾淨的字幕文字，每週幫我省下好幾個小時的手動整理時間。”
Maya R.
內容創作者 · 二次創作短影片
★★★★★
“匯出逐字稿後我可以按自己的節奏複習生詞，再也不用反覆暫停影片了。”
Daniel K.
語言學習者 · 用真實影片學外語
★★★★★
“準確、帶時間戳的文字可以直接引用，它已經悄悄成為我日常工作流程的一部分。”
Priya S.
研究人員 · 引用公開演講
FAQ
常見問題
歡迎提問！
Popular guides
1 B站AI影片摘要工具推薦：BibiGPT一鍵摘要30+平台影片（2026精選）
B站AI影片摘要工具哪個好？BibiGPT支援30+平台、100萬+用戶信賴，一鍵貼上連結即可產生結構化摘要。本文深度對比5大工具，含AI Agent 自動化方案。
2 How to Install Skills in DeepSeek Harness: A Hands-On Guide to Teaching dsh to Watch Videos
Install a video-summary skill into DeepSeek Harness in one copy-paste — SKILL.md matches Claude Code. Or skip dsh: paste a Bilibili or YouTube link in the browser and get a timestamped summary.
3 How to Reverse a Video Without an App — Free, In-Browser, No Download (2026)
Reverse any video free with no app and no download, right in your browser. Step-by-step for iPhone, Android, and PC, plus how to reverse audio (2026).
先讀懂片段，再寫配樂
貼上 Bilibili、YouTube 或播客連結——或上傳檔案。BibiGPT 回傳附時間戳的逐字稿、AI 摘要，以及可搜尋、可匯出的畫面解讀。不用 GPU，不用組研究環境，也不會假裝這就是 MMAudio 本身。