多模态参考

多模态参考（Multimodal Reference）是指在视频生成过程中，同时引入图像、视频、音频或 3D 白模等多种媒介形式作为条件引导（Conditioning）。该技术通过交叉注意力机制提取参考素材的身份、姿态、风格与时序特征，以实现对生成画面的高精度控制。