मास्कवीएटी एक वीडियो-से-ऑडियो (V2A) निर्माण मॉडल है जो दृश्य विशेषताओं का उपयोग करके दृश्य के साथ मेल खाते यथार्थवादी ध्वनि उत्पन्न करता है। यह मॉडल विशेष रूप से ध्वनि की शुरुआत और दृश्य क्रियाओं के बीच समकालीनता पर बल देता है, जिससे अप्राकृतिक समकालीनता की समस्याओं से बचा जा सकता है। मास्कवीएटी पूर्ण-बैंड उच्च-गुणवत्ता वाले सामान्य ऑडियो कोडेक और अनुक्रम-से-अनुक्रम मास्किंग निर्माण मॉडल को जोड़ता है, जिससे उच्च ऑडियो गुणवत्ता, अर्थगत मिलान और समय समकालीनता सुनिश्चित करते हुए, गैर-कोडेक ऑडियो निर्माण मॉडल के साथ प्रतिस्पर्धा करने की क्षमता प्राप्त होती है।