GAGA-1是由Sand.ai團隊於10月10日推出的音畫同步視頻模型。研發歷時6個月，該模型專注人物表演和帶台詞表演，在單純人物表演方面達到影視級別水平，支持5秒和10秒兩種時長，可實現精準的情緒表達和動作表演，支持中文、英文等多語言台詞，但台詞不宜超過20字。目前全員免費使用無水印，未來價格承諾將遠低於Sora2和Veo3，適用於短劇、互動影游NPC對話等場景。
基本介紹
- 外文名：GAGA-1
- 發布方：Sand.ai團隊
產品功能,技術原理,發展歷程,團隊背景,適用場景,
產品功能
模型支持5秒和10秒兩種時長，可實現精準的情緒表達和動作表演，支持中文、英文等多語言台詞，但需注意台詞不宜超過20字。
技術原理
GAGA-1基於其研發團隊Sand.ai此前開源的一種自回歸架構視頻模型Magi-1的技術積累。該模型的主要功能在於“音畫協同生成”，即通過視頻與音頻數據的同步訓練與輸出，使AI角色的語音、口型、微表情及手部動作形成關聯，專注於人物對話與表演。
模型採用自回歸架構，將視頻切成小段（如24幀≈1秒）進行生成，上一段先出結果，下一段再基於它生成後續內容，保證了時間順序的因果關係，理論上沒有時長上限，並支持對生成過程進行逐秒控制。
在情緒還原方面，模型能根據台詞的情緒描述（如失望、氣憤），模擬角色面部肌肉的細微變化，如嘴角弧度、眼神變化。在多角色對話場景中，模型能處理“傾聽者反應”，讓未說話的角色呈現視線移動、輕微點頭等互動動作，並使台詞銜接時的口型啟動與停頓時機同步。模型支持中、英、日、韓、法等多語種生成，其中中文與英文表現較好，能實現較為自然的口型匹配與情感表達。
模型在面對大幅複雜動作指令時，角色易出現肢體變形。當輸入提示詞（Prompt）文本過長時，可能出現“吞字漏詞”現象。該模型暫不支持用戶自定義上傳音頻與固定音色ID。
發展歷程
2025年4月，Sand.ai團隊發布了其自回歸視頻生成模型Magi-1，該模型實現了畫質輸出。此後，團隊開始開發專注於人物對話與表演的音畫同步視頻模型GAGA-1。2025年10月10日，GAGA-1模型由Sand.ai團隊正式上線發布。該模型具備音畫同步生成與數字演員塑造功能。
團隊背景
GAGA-1由Sand.ai團隊研發，Sand.ai是一支專注於視頻生成大模型的全華班初創團隊。團隊創始人為曹越，其博士畢業於清華大學軟體學院，2018年獲清華大學特等獎學金，並於2021年以Swin Transformer共同一作身份獲ICCV最佳論文“馬爾獎”，博士畢業後曾加入微軟亞洲研究院，後任智源研究院視覺中心負責人。該團隊此前曾發布自回歸架構視頻模型Magi-1，在物理規則連貫性和原生音畫同步等領域取得了成果。
適用場景
目前GAGA-1全員免費使用無水印，未來價格承諾將遠低於Sora2和Veo3，適用於短劇、互動影游NPC對話等場景。
