WorldSonus：为世界带来声音

arXiv 2026 32.3 method

TLDR

WorldSonus用流式因果自回归扩散为世界模型实时生成可交互、空间对齐的音频，匹配开放域基准。

评分理由

The paper addresses a novel and underexplored problem of adding sound to world models, with strong emphasis on real-time efficiency, interactive control, and spatial alignment. Its strengths are clear problem framing and demonstrated generalization, though the abstract lacks quantitative experimental details and the connection to core world-model prediction is mainly as an application context.

Read-first 评分解释

综合优先阅读分 32.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 33。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、实验

主题相关性 25%

47.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：227。

关键词评分

world model

interactive world model

video world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

流式因果自回归扩散架构，以0.41的低实时因子实时合成音频块
以音频为中心的描述流水线，配合基于块索引的提示调度，实现对声音事件的交互式中途控制
从多样立体声和ambisonic数据中整理的高质量立体声监督，用于空间对齐的立体声合成

方法

WorldSonus是一个交互式视频到音频框架，使用流式因果自回归扩散模型实时生成音频块。它集成了以音频为中心的描述流水线和基于块索引的提示调度，以实现动态、中途的声音控制，并利用来自多样立体声和ambisonic数据的立体声监督实现空间对齐。该方法在开放域视频到音频基准上与最先进的双向模型进行对比评估。

关键结果

WorldSonus在音频生成上达到0.41的实时因子，在开放域视频到音频基准上，声学质量和空间对齐均达到或超过最先进的双向模型。

资源

论文