在人工智能领域，文本音频生成技术正逐渐成为研究的热点。最近，研究者们推出了一款名为 TANGOFLUX 的全新模型，该模型在性能和效率上均表现出色。TANGOFLUX 是一种高效的文本到音频生成模型，拥有515百万个参数，能够在短短3.7秒内生成最长可达30秒的44.1kHz 音频，这一速度让其在单个 A40GPU 上的表现非常出色。TANGOFLUX主要是特色是可以生成各种音效，例如鸟叫、口哨、爆炸等声音，另外也支持生成音乐不过效果就不那么理想了。文本音频生成模型的一个主要挑战在于如何创建偏好配对。

最近，Adobe 研究团队与密歇根大学的研究人员联合开发了一款名为 MultiFoley 的人工智能系统，这款系统能够生成电影和视频中的配音音效，助力后期制作。MultiFoley 的创新之处在于它允许用户通过文字提示、参考音频或视频示例来创造音效。在演示中，该系统甚至能将猫的叫声转化为狮子的吼叫，或将打字机的声音转换为钢琴音符，并与视频画面完美同步。MultiFoley 的音频输出质量达到48kHz 的高带宽，这主要得益于研究人员使用互联网上的视频和专业音效库进行训练。与以往的系统不同，M

在创作引人入胜的视频时，除了视觉效果，音频同样扮演着重要角色。然而，寻找或制作合适的音效往往是一项耗时的工作。在 Adobe 的年度 MAX 大会上，他们展示了一款名为 Project Super Sonic 的实验性原型，这项技术可以通过文本生成音效、识别视频中的物体，甚至利用你的声音，快速为视频项目生成背景音效和音效。虽然通过文本提示生成音效的功能听起来很酷，但实际上，像 ElevenLabs 这样的公司已经在商业上提供了类似的服务。更有趣的是，Adobe 将这个功能更进一步，增加了两种创建音