Audible World Models：面向 3D 世界的空间感知声音生成

Audible World Models 是一个无需训练的框架，将声音整合进生成式 3D 世界状态：从文本提示构建全景 3D 代理，分离语义层并识别发声物体与环境背景，再把音频锚定到重建几何，用几何声学传播渲染随听者视角与移动变化的空间音频。在 80 个生成场景中，其空间一致性显著优于 text、video 和全景条件基线，VLM 与人工评估也更偏好其视听一致性与空间合理性。