Make-A-Shape é um novo modelo de geração 3D projetado para treinar dados em larga escala de forma eficiente, utilizando 10 milhões de formas publicamente disponíveis. Inovamos ao introduzir uma representação baseada em árvores wavelet, codificando compactamente as formas por meio de um esquema de filtragem de coeficientes de subfaixa. Em seguida, distribuímos essa representação em uma malha de baixa resolução por meio de um esquema de empacotamento de coeficientes de subfaixa, tornando-a adequada para modelos de difusão generativos. Além disso, propomos uma estratégia de treinamento adaptativa de subfaixas, permitindo que nosso modelo aprenda eficientemente a gerar coeficientes wavelet grosseiros e finos. Finalmente, expandimos nossa estrutura para ser controlada por condições de entrada adicionais, permitindo-lhe gerar formas a partir de várias modalidades, como imagens mono/multivisuais, nuvens de pontos e voxels de baixa resolução. Em experimentos abrangentes, demonstramos diversas aplicações, incluindo geração incondicional, complementação de formas e geração condicional. Nosso método não apenas supera o estado da arte em termos de qualidade dos resultados, mas também gera formas de forma eficiente em alguns segundos, geralmente em apenas 2 segundos na maioria das condições.