原生音频Native Audio
音频 · 主流
最早可证 2025-11 —— 「Audio&Video Direct Output：音视频直出。⚠️ 更早的 Kling「Video-to-Audio」（2025-08）是给**已生成的成片**配音，不是原生音视频，按 via 的口径不算」 Vidu 平台 · 更新日志这是我们手上的日志能证明的最早时间，不是业界首次出现 —— 可追溯窗口起于 2024-01。
各家叫法：Native Audio · 原生音频 · sound parameter · audio-video joint · 音视频联合 · native sound同一件事，各家名字不同。我们自己就因为按字面去搜而误判过 —— Kling 管角色参考叫 Element、LTX 叫 Ingredients，按 Character Reference 去找会一无所获， 然后把「没找到」写成「官方没说」。
离线出片轨：谁实现了
字节跳动 · Seed
Seedance 2.5
官方：延续 2.0 的音视频联合生成架构，单次出 30 秒音视频
ByteDance Seed 官方博客 · Seedance 2.5（2026-07-31）官方来源核验版本 2.5未单独记核验日 · 数据截至 2026-10-19机器录入
稀宇科技 MiniMax
MiniMax Hailuo H3
官方：生成带原生立体声的视频，最长 15 秒 2K；HF 标签含 synchronized-audio-video
MiniMax 官方博客 · H3 发布官方来源核验版本 H3未单独记核验日 · 数据截至 2026-10-19机器录入
Google DeepMind
Gemini Omni 1.1 Flash
阿里巴巴 · 通义 Tongyi
Wan 3.0
官网首屏只有「Immersive Audiovisual / sound design」这类营销描述，未见能力说明
通义万相官网（首屏，仅营销描述）官方来源核验版本 3.0未单独记核验日 · 数据截至 2026-10-19机器录入
Runway
Runway Gen-4.5
官方把音频放在独立的 Audio 工具里：2025-12-18「Text to Speech 进 Audio 页签，另有 SFX 与 Speech to Speech 应用」；2026-06-29 Seed Audio 1.0 可生成最长 120 秒语音/音效/音乐。都不是 Gen-4.5 生成时的原生音频
Runway · 官方 Changelog官方来源核验版本 Gen-4.5未单独记核验日 · 数据截至 2026-10-19机器录入
快手
Kling 4.0
⚠️ 2026-10-10 已更新到 4.0，此格尚未核到新版的直接证据，显示未知；原核验版本 3.0。旧记录：2025-12-15：通过 sound 参数控制生成视频时是否包含音频。⚠️ 要与 Video-to-Audio 区分开 —— 后者（2025-08-01 起）是给已生成的视频配音效/BGM，不是生成时的原生音频
Kling AI · API 更新日志官方来源核的是 3.0 · 现已是 4.0，未重核核验于 2026-10-10机器录入
生数科技
Vidu Q4 Preview
Q4 Preview 图生视频支持首帧输入及音画同步；audio 默认 true。
Vidu · Q4 Preview 图生视频 API官方来源核验版本 Q4 Preview核验于 2026-10-19机器录入
Google DeepMind
Veo 3.1
Lightricks
LTX 2.5
官方自述：首个 DiT 架构的音视频基础模型，单模型内同时生成同步的画面与声音。另有 A2Vid（音频驱动生成）。⚠️ 官方自陈局限：不含人声时音质下降 ⚠️ 这条证据核的是 2.3；2.5 的模型卡受限访问读不到正文，标为待重核，不沿用当作 2.5 的结论。
GitHub · Lightricks/LTX-2 官方仓库 README（pipeline 与 IC-LoRA 清单）官方来源核的是 2.3 · 现已是 2.5，未重核核验于 2026-08-13机器录入
PixVerse
PixVerse V6
V6 参数表里每种玩法都有 `generate_audio_switch ✅`；能力矩阵另写「Inline audio generation | V6 Supported」
PixVerse · V6 模型文档官方来源核验版本 V6核验于 2026-08-14机器录入