OpenMOSS 团队发布并全栈开源音视频联合生成模型 MOVA，支持文本或图像到同步音视频生成，覆盖口型同步语音、环境音效和内容匹配音乐。模型采用 MoE 架构总参数 32B、推理激活 18B，视频塔基于 14B 的 Wan 2.2 I2V、音频塔来自 1.3B 文本到音频扩散模型，单段生成 720p、8 秒视听片段，通过 Aligned ROPE 缓解音视频时间轴漂移。