PrismAudio是一个创新的视频生成环境音框架，通过结合强化学习与思维链，解决了传统配音模型在多目标优化中“顾此失彼”的问题。它采用“先思考，再发声”的策略，让模型先分解任务，生成详细的“行动指南”，再合成音频。四位“老师”（语义、时序、美学、空间）分别从内容匹配、同步性、音质和空间准确性四个维度进行独立打分，引导模型同时满足所有要求。此外，其高效训练算法Fast-GRPO大幅缩短了训练时间。实验表明，PrismAudio在多个测试集上超越了现有方法，且模型轻量、生成速度快。该研究已被ICLR 2026收录，代码和模型已开源。