Text-to-Audio-Video Generation on Verse-Bench benchmark leaderboard · SOTA2 Research

Text-to-Audio-Video Generation on Verse-Bench

0.58MSOvi

Evaluation Results

Method	Links
Ovi2026.01		0.58	0.48	0.46	1.5	1.19	0.224	0.035	0.82	4.28	0.214
OviLow2026.01		0.58	0.48	0.46	1.5	1.19	0.224	0.035	0.82	4.28	0.214
APOLLO2026.01		0.48	0.51	0.59	1.36	1.06	0.232	0.028	0.65	6.79	0.316
MM-Sonate2026.01		0.48	0.56	0.59	1.43	1.16	0.242	0.02	0.76	6.51	0.27
OpenSora+FoleyGen2026.01		0.42	0.44	0.56	3.69	3.08	0.212	—	0.92	2.76	0.159
OpenSora+See&Hear2026.01		0.42	0.44	0.56	2.26	2.97	0.206	0.337	0.86	2.85	0.164
OpenSora+FoleyGen2026.01		0.42	0.44	0.56	3.69	3.08	0.212	—	0.92	2.76	0.159
OpenSora+See&Hear2026.01		0.42	0.44	0.56	2.26	2.97	0.206	0.337	0.86	2.85	0.164
SVG2026.01		0.4	0.41	0.25	1.55	3.62	0.08	—	0.72	4.07	0.206
SVGI2026.01		0.4	0.41	0.25	1.55	3.62	0.08	—	0.72	4.07	0.206
Universe-12026.01		0.2	0.47	0.25	1.55	1.25	0.16	0.18	0.98	3.92	0.198
Universe-12026.01		0.2	0.47	0.25	1.55	1.25	0.16	0.18	0.98	3.92	0.198
JavisDiT2026.01		0.18	0.36	0.22	1.95	5.17	0.228	0.256	0.92	3.94	0.231
JavisDiT2026.01		0.18	0.36	0.22	1.95	5.17	0.228	0.256	0.92	3.94	0.231
AudioLDM+TemoTkn2026.01		0.05	0.12	0.07	2.05	2.53	0.229	—	1.15	2.68	0.137
AudioLDM+TemoTkn2026.01		0.05	0.12	0.07	2.05	2.53	0.229	—	1.15	2.68	0.137