Soundwich：分层可控音频的视频生成框架

Soundwich 提出一种免训练框架，可将冻结的联合音视频 flow-matching 模型改造成生成多条与同一视频同步、可独立编辑音频 stem 的生成器。各 stem 支持显式控制时间活动，并借助共享场景表示维持全局音视频上下文一致，可单独改时间、静音、替换或重混。实验与人工评测显示其时间控制、音源分离和自然度均有提升，代码已公开。