EchoWM：可进入的全模态世界模型，联合生成 720p 视频与音频

EchoWM 是一个全模态世界模型，面向可进入的生成式媒体，在连续导航下联合生成 720p 视频、环境声音、音乐和语音。它围绕摄像机意图组织交互，把离散指令与连续位姿映射到统一的米制尺度相对 6-DoF 轨迹，并通过数据引擎、渐进训练和自回归后训练支持长时程生成。公开世界模型基准上的评测显示其轨迹跟随与视觉质量较强，可支持第一人称和第三人称交互，并保持环境声音与语音的同步。