输入一句文字，同时生成画面和匹配的声音，省掉了视频生成后再配音的串联步骤，但联合模型也把两种模态的计算成本叠到一起。浙江大学、清华大学、新加坡国立大学等机构提出TurboT2VA，用蒸馏与推理优化加速190亿参数的LTX-2音视频模型。
在1024×1792部署设置、单张NVIDIA H20上，论文把生成器延迟从40步教师的318.74秒降到4步学生的5.83秒，报告54.67倍提速。这个数字只覆盖生成器，不包含文本处理、视频编码、文件传输和产品排队。
联合生成不能只把视频蒸馏方案照搬过来
视频与音频的损失尺度、收敛速度和质量评价不同。直接联合训练时，梯度更强的一侧会主导更新；一致性训练能减少步数，却容易在大模型上数值不稳；只追求分布匹配又可能让样本变得相似。TurboT2VA先对两种模态分别归一化，再按阶段改变训练目标。
论文Figure 1：视频与音频双流、三阶段蒸馏、4步学生模型和单卡推理加速组成完整方案。
第一阶段用离散一致性预热，建立稳定起点；第二阶段转为连续时间一致性，让学生学习教师轨迹并保持样本差异；第三阶段加入分布匹配，集中改善感知质量。训练顺序固定为先稳定、再扩展轨迹、最后压实画质和声音。
40步教师被压成4步学生
一致性模型学习从不同噪声时刻直接指向结果，因此可以跳过大量逐步去噪。论文又加入分数正则，避免学生只记住有限教师样本。视频和音频保留各自的自注意力，同时维持密集的跨模态通路，让画面事件与声音事件继续交换信息。
论文方法图：一致性目标负责少步推理，分布匹配负责收紧感知质量，两者按课程逐步结合。
在512×768标准评测分辨率下，4步蒸馏把生成器延迟从50.52秒降到2.51秒，提速20.1倍。论文同时比较视觉质量、音频保真、文本对齐、多样性和音视频同步，学生模型在多项指标上接近教师，但并非每个单项都全面超过40步版本。Figure 4另用画面、波形与频谱并排展示TurboT2VA和LTX-2的定性差异。
论文Figure 4：TurboT2VA与LTX-2在相近提示词下的画面序列、音频波形和频谱对比。
54.67倍还包含一套硬件感知推理栈
少步蒸馏并不是全部速度来源。高分辨率部署还使用受保护的W8A8线性算子、融合内核、文本填充压缩和模态感知稀疏注意力。视频与音频内部可以稀疏计算，跨模态和文本条件路径保持密集，避免速度优化直接切断同步信息。
完整链路中，未优化的4步学生需要16.50秒；加入推理栈后降到5.83秒，推理优化再贡献约2.83倍。54.67倍是相对318.74秒的40步教师计算，硬件、分辨率、批量大小和实现版本都必须与论文一致。
论文Figure 7：直接联合目标与分阶段课程的训练曲线，展示稳定性和质量—多样性差异。
下一步：代码公开后复现整条速度链
团队已经公开推理代码、权重获取说明和多组教师—学生演示。对于创作工具，4步联合生成可以缩短试错周期，也减少视频与后配音在节奏上对不齐的问题。
下一步需要在更多显卡、提示类型和长视频上核对速度与同步质量，并测量完整端到端等待时间。单段生成器5.83秒还不等于用户5.83秒拿到成片；音频解码、视频编码、显存调度和并发请求会决定真正的产品体验。
复现时还应分别记录蒸馏、量化、融合内核和稀疏注意力带来的增益，并公开相同提示词、随机种子和输出时长下的质量变化。这样才能判断54.67倍中哪些部分能迁移到其他硬件，哪些依赖H20与论文实现的组合。
参考资料
https://arxiv.org/abs/2608.24674
https://arxiv.org/html/2608.24674
https://github.com/thu-ml/TurboDiffusion/tree/main/turbot2va
