3月24日，阿里巴巴通义实验室发布了PrismAudio，一个视频生成音频框架，专注于环境音/音效合成。PrismAudio结合强化学习与思维链，通过四位“老师”——语义、时序、美学和空间老师——对模型进行评分，确保生成的音频与视频内容同步且自然。

PrismAudio的工作流程分为三步：首先，模型在生成音频前会“写笔记”，即生成一份行动指南，包括视频内容、声音类型、开始和结束时间等；其次，四位老师分别使用不同的打分器对音频进行评分，确保音频在语义、时序、美学和空间上的表现；最后，通过Fast-GRPO算法优化模型，提高训练效率，减少训练时间。

在性能测试中，PrismAudio在VGGSound测试集上超越了现有最佳方法，并在AudioCanvas测试集上表现更加出色。该模型参数仅有5.18亿，生成9秒音频仅需0.63秒，显示出其轻量级和实用性。PrismAudio的研究已被ICLR2026收录，代码即将开源。