音频 AI

Suno v6 是一系列音乐生成模型，用于将创意和媒体转化为歌曲。它支持精确的制作和开放式探索，可以控制修改部分、更改歌词、组合音乐源以及开发新的编曲，而无需重建曲目的每个部分。

该系列包含旗舰 v6 型号、更具探索性的 v6-wild 和更快的 v6-mini。创建者可以用普通语言描述变化并提供文本、音频、图像或视频。该系统将音

MiDashengLM-Gen是一个用于统一音频场景生成的端到端框架。给定结构化文本描述，它可以生成融合语音、音乐、音效和环境声学的连贯场景。

该系统将预训练的大型语言模型和音频标记器与每个标记条件流匹配相结合。它使用 25 Hz 的 768 维语义声学潜伏和学习的停止头以自回归方式生成可变长度 16 kHz 音频。

Mirelo Audio-to-MIDI 是一个音乐转录模型和产品，可将完整混音音频转换为可编辑的 MIDI 轨道。用户可以上传 WAV 或 MP3 录音，并获得针对人声、鼓、贝斯、键盘、合成器等检测到的乐器部件的分轨音符数据，然后在 Mirelo Studio 中查看或导出结果。

底层的 MuScriptor 模型将多乐器转录表

LTX-2 Trainer 是 Lightricks 的 LTX-2 音频-视频生成模型的训练和微调包。它提供了用于 LoRA 训练、全面微调以及跨视频、音频和联合音视频工作流程的灵活调节的工具和脚本。

该软件包涵盖文本到视频、文本到音频、图像到视频、视频扩展、音频扩展、视频修复、音频修复、视频修复、IC-LoRA 参考、音频到

Mega-ASR 是一种强大的自动语音识别基础模型，专为噪声、远场、失真、混响和真实声学条件下的语音识别而设计。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 Mega-ASR 不是提供通用演示，而是针对具体的能力差距，并为用户提供一种更可控的方式来处理复杂的人工智能生成或人工智能分析的内

WavFlow 是一种原始波形音频生成模型，专为高保真音频合成而设计，没有潜在压缩或 VAE 瓶颈。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 WavFlow 不是提供通用演示，而是针对具体的能力差距，并为用户提供一种更可控的方式来处理复杂的 AI 生成或 AI 分析的内容。

Qwen Live Translate 是 Qwen 生态系统中的实时翻译模型，专为语音或会话工作流程的实时多语言翻译而设计。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 Qwen Live Translate 并不是提供通用演示，而是针对具体的能力差距，为用户提供一种更可控的方式来处理

InstructAV2AV是一种指令引导的音视频联合编辑系统，旨在使用自然语言指令编辑语音、外观、对象和视听实例。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 InstructAV2AV 不是提供通用演示，而是针对具体的能力差距，并为用户提供一种更可控的方式来处理复杂的人工智能生成或人工

Khala 是一个音乐生成研究项目，专注于扩展声学标记语言模型以实现高保真歌曲创作。它根据提示和歌词生成完整的音乐示例，包括人声、乐器、流派提示和情感传递。该演示展示了人工智能生成的提示、歌词和音频样本，涵盖流行民谣、R&B、乡村、摇滚和中国民谣等风格。

该项目将音乐表示为声学标记，并使用语言模型风格缩放来生成连贯的音乐结构。这种

Dramabox 是 Resemble AI 的富有表现力的文本转语音模型，具有提示驱动的语音克隆和性能控制。它设计用于生成表演语音，其中提示控制说话者的身份、情感、表达、笑声、叹息、呼吸、暂停和过渡。简短的可选语音参考可以克隆目标音色，而文本提示则定义应如何执行该行。

该模型是 LTX-2.3 3.3B 纯音频模型的 IC-Lo

Scenema Audio 是一种富有表现力的音频生成模型，适用于零样本语音克隆、情感语音、歌唱和表演驱动的语音合成。它的设计目的不仅是生成文字，还可以通过节奏、呼吸、笑声、叹息、情感和声音效果来进行声乐表演。该产品将语音识别与情感传递分开，因此简短干净的参考剪辑可以定义音色，同时提示控制性能。

该模型提取自 LTX 2.3，并使

Just-Dub-It 是一种联合视听视频配音模型，可以翻译和重新配音视频，同时保留说话者身份和视觉唇形同步。该系统专为真实的多语言配音而设计，其中生成的语音必须与目标语言和原始演员的可见嘴部动作相匹配。 Just-Dub-It 没有链接单独的翻译器、语音克隆器和口型同步模型，而是将配音视为协调的视听生成问题。

该模型使用视听扩散

Nemotron 3 Nano Omni 是 NVIDIA 的高效开放多模态模型，旨在增强代理系统内部的感知和推理能力。它将视频、音频、图像和文本理解统一在一个模型中，因此代理可以跨屏幕、文档、对话和媒体进行推理，而无需将单独的特定模式堆栈拼接在一起。这使得它对于实际的多模式自动化特别有用。

该模型旨在减少感知到行动循环中的推理跳

Acestep XL 教程是关于使用 Ace Step XL 作为本地 AI 音乐生成工作流程的 YouTube 指南。它针对的是那些想要生成音乐而不仅仅依赖托管商业工具的用户，重点是免费和开源设置路径。对于想要安装、配置和测试本地音乐生成的创作者来说，该产品条目可作为实用的学习资源。

本教程可能会逐步介绍模型访问、本地设置、生成

OmniVoice 是一种语音人工智能研究系统，旨在将多种语音相关功能统一到一个模型或框架中。它与语音合成、语音转换、表达生成和音频语言交互相关。该产品面向需要比单一用途的文本转语音引擎更灵活的语音建模的用户。

该系统可能将语音表示、说话者调节、语言内容和声学生成结合到一个统一的工作流程中。技术评估应侧重于清晰度、说话者相似性、韵

LongCat AudioDiT 是一个围绕扩散变压器建模构建的开源音频生成项目。它是为想要通过公共代码探索现代音频合成架构的研究人员和开发人员而设计的。该产品与音乐生成、声音设计、语音相关研究和生成音频实验相关。

AudioDiT 命名表示扩散变压器方法，其中音频是使用基于变压器的序列建模通过迭代降噪或扩散式采样生成的。该架构对

LuxTTS 是一款高质量的快速文本到语音（TTS）声音克隆模型，其速度可达到实时速度的 150 倍。它专为高质量的声音克隆和逼真的生成而设计，是各种应用的强大工具。该模型轻量且高效，可在 1GB VRAM 内运行，这意味着它可以在任何本地 GPU 上运行。这使其对从开发人员到研究人员的广泛用户都易于使用。

LuxTTS 有几个关键

NovaSR 代表了音频处理技术的突破性进展，它被设计为一个超紧凑的 50kb 模型，能够以惊人的速度和清晰度将低质量的 16kHz 音频转换为原始的 48kHz 输出。这款闪电般快速的升采样器非常擅长修复模糊或压缩的音频源，使其非常适合计算资源有限的应用，例如移动设备、嵌入式系统或实时处理管道。通过利用针对效率优化的最先进的神经网络架构，NovaSR

JavisGPT是一个统一的多模态大型语言模型，专为联合音视频理解和生成任务而设计。它专注于同步发声视频场景，其中视觉流和音频轨道必须以时间对齐的方式一起被理解。系统架构将专用的音视频输入编码器与语言模型核心以及一个能够生成连贯、同步媒体输出的生成器连接起来。

通过整合独立的音频和视频输入，JavisGPT可以推理跨越这两种模态的复