■ 概要（1行） DiT（Diffusion Transformer）ベースの統合 audio-video foundation モデル。従来の複合システムを単一モデルで実現 ■ 特徴・用途（2〜3行） - 音声映像の同期生成、高忠実度出力が単一モデルで実装可能 - 複数パフォーマンスモード搭載で、品質と推論速度のトレードオフを柔軟に調整可能 - 本番対応の安定性、API アクセス、オープンアクセス（HuggingFace モデル公開）により、研究から実装まで統合パイプラインを構築可能 ■ 結論（1行） マルチモーダル統合、推論効率化、実装の手軽さの観点から、動画生成 OSS のベースラインシフトとなる可能性を持つ