MaskVATは、動画の視覚的特徴を利用してシーンに合ったリアルな音声を生成する動画から音声（V2A）生成モデルです。特に、音声の開始点と視覚的な動作の同期性に重点を置いており、不自然な同期の問題を回避します。MaskVATは、フルバンドの高品質汎用オーディオコーデックとシーケンスツーシーケンスのマスキング生成モデルを組み合わせることで、高音質、意味の一致、時間同期性を確保しながら、コーデックを使用しない音声生成モデルと同等の競争力を実現しています。