MaskVAT é um modelo de geração de áudio a partir de vídeo (V2A) que utiliza as características visuais do vídeo para gerar um áudio realista que combina com a cena. O modelo enfatiza especialmente a sincronização do ponto de início do áudio com a ação visual, evitando problemas de sincronização não naturais. O MaskVAT combina um codec de áudio universal de alta qualidade em banda larga com um modelo de geração mascarado sequencial, conseguindo alcançar uma competitividade semelhante à de modelos de geração de áudio sem codec, garantindo alta qualidade de áudio, correspondência semântica e sincronização temporal.