Text-to-Audio-Video generation on SocialVideo-Bench benchmark leaderboard · SOTA2 Research

Text-to-Audio-Video generation on SocialVideo-Bench

4.71Visual Quality Score (Vis)MaineCoon

Evaluation Results

Method	Links
MaineCoon2026.06		4.71	1.62	4.35	0.127	0.13	0.318	0.334	0.308	0.272	0.934
MoVA2026.06		4.66	1.68	3.69	0.133	0.105	0.258	0.359	0.245	0.216	0.842
JoyAI-Echo2026.06		4.61	1.17	3.47	0.147	0.088	0.226	0.319	0.196	0.173	0.749
Ovi2026.06		4.44	1.89	3.76	0.138	0.079	0.191	0.412	0.188	0.162	0.779
JavisDiT++2026.06		4.39	2.22	4.06	0.134	0.07	0.151	0.312	0.136	0.112	0.711
LTX-2.32026.06		4.1	0.99	4.06	0.132	0.111	0.311	0.334	0.287	0.247	0.848