MaskVAT ist ein Videodatei-zu-Audio-(V2A)-Generierungsmodell, das visuelle Merkmale von Videos nutzt, um realistische Geräusche zu erzeugen, die zum Szenario passen. Das Modell legt besonderen Wert auf die Synchronität des Klangbeginns mit der visuellen Aktion, um unnatürliche Synchronisationsprobleme zu vermeiden. MaskVAT kombiniert einen vollbandigen, hochwertigen universellen Audiocodec mit einem sequenz-zu-sequenz Maskierungsgenerierungsmodell, um bei gleichzeitiger Gewährleistung hoher Audioqualität, semantischer Übereinstimmung und zeitlicher Synchronität eine Wettbewerbsfähigkeit mit nicht-Codec-basierten Audiogenerierungsmodellen zu erreichen.