Aufgrund des Mangels an effektiven Modellen für die multimodale Datenverarbeitung weisen bestehende Open-Source-Methoden zur audiovisuellen Generierung häufig eine beeinträchtigte Lippen-Synchronisation und unzureichende semantische Konsistenz auf. Um diese Nachteile zu mindern, stellen wir UniAVGen vor – einen einheitlichen Rahmen für die gemeinsame Audio- und Video-Generierung. UniAVGen basiert auf einer dualen Zweig-Architektur zur gemeinsamen Synthese und integriert zwei parallele Diffusion Transformers (DiTs), um einen kohärenten multimodalen Latentraum zu schaffen. Im Kern steht ein asymmetrisches multimodales Interaktionsmechanismus, der bidirektionale, zeitlich abgestimmte Cross-Attention ermöglicht und somit eine präzise spatiotemporale Synchronisation sowie semantische Konsistenz gewährleistet. Darüber hinaus wird diese multimodale Interaktion durch ein face-aware Modulation-Modul ergänzt, das dynamisch auffällige Regionen im Interaktionsprozess priorisiert. Um die Generierungsgenauigkeit während der Inferenz zu verbessern, führen wir zudem eine modality-aware Classifier-Free Guidance ein – eine neuartige Strategie, die explizit die multimodalen Korrelations-Signale verstärkt. Insbesondere ermöglicht die robuste Architektur von UniAVGen die nahtlose Integration zentraler audiovisueller Aufgaben innerhalb eines einzigen Modells, wie beispielsweise gemeinsame Audio-Video-Generierung und -Fortsetzung, Video-zu-Audio-Subtitelung sowie audiogetriebene Video-Synthese. Umfassende Experimente belegen, dass UniAVGen mit deutlich weniger Trainingsdaten (1,3 Mio. gegenüber 30,1 Mio.) insgesamt bessere Ergebnisse in Bezug auf Audio-Video-Synchronisation, Klangfarbe (Timbre) und Emotionskonsistenz erzielt.