O MuVi é uma estrutura inovadora que gera música correspondente à emoção, tema, ritmo e batida de um vídeo, extraindo características contextuais e temporais da análise do conteúdo do vídeo. A estrutura introduz um esquema de pré-treinamento contrastivo música-visão, garantindo a sincronização periódica de frases musicais, e demonstra que o gerador de música baseado em correspondência de fluxo possui capacidade de aprendizado contextual, permitindo o controle do estilo e tipo de música gerada. O MuVi apresenta desempenho superior em termos de qualidade de áudio e sincronização temporal, oferecendo novas soluções para a fusão de conteúdo de áudio e vídeo e experiências imersivas.