MMAudio는 영상과 텍스트를 입력으로 받아 장면에 동기화된 오디오를 생성하는 비디오-투-오디오 합성 모델이다. 일리노이대 어배너-섐페인과 소니 AI, 소니 그룹이 함께 발표해 CVPR 2025에 채택됐다. 핵심 아이디어는 멀티모달 공동 학습으로, 오디오-비주얼 데이터셋과 오디오-텍스트 데이터셋을 한꺼번에 사용해 영상-음향 짝 데이터가 부족한 문제를 완화한다. 여기에 별도의 동기화 모듈이 생성된 소리를 프레임 단위 움직임에 맞춰 정렬하기 때문에, 발소리나 충돌음 같은 폴리 사운드의 타이밍이 자연스럽게 맞아떨어진다. 플로우 매칭 기반 구조라 추론이 빠르고 사전 학습 가중치와 허깅페이스 데모, Colab 노트북이 모두 공개돼 있다.