JoVA：用于联合视频-音频生成的统一多模态学习

本文介绍了JoVA，这是一种使用统一的多模态学习框架联合生成视频和音频的新方法。重点是联合生成，这表明了一种比单独生成视频和音频更集成的方法。来源是ArXiv，表明这是一篇研究论文，可能详细介绍了这种新模型的方法、实验和结果。