标签
本指南介绍如何利用仅有6GB显存的旧Linux桌面电脑训练生成式AI底鼓音效模型，让AI音频生成在有限硬件条件下变得触手可及。
WanSong是一个纯扩散式音乐生成模型，能够一次性直接生成长达5分钟的高保真多语种歌曲，并输出双音轨（人声和背景音乐），解决了高效生成、长音频和可控性方面的挑战。
audio.cpp中发布了基于C++/GGML实现的Supertonic 3、MOSS-TTS、IndexTTS2和Irodori-TTS，能够在RTX 5090上3分钟内生成10小时音频。
Qwen-Music 是一个音乐生成模型，能够生成包含人声的高保真歌曲，支持文本生成音乐和翻唱歌曲生成。它采用了一种新颖的旋律思维链机制，并在 16 项客观指标中的 13 项上取得了最先进的结果。
一份关于测试AI流水线的报告，该流水线能根据给定主题自动生成完整的播客剧集，无需任何手动编辑。
这篇论文介绍了Audex，这是NVIDIA推出的统一音频-文本大语言模型，在多种音频和语音任务上实现了最先进的性能，同时保持了强大的文本推理能力，且没有出现退化。
本文提出了一种文本到音乐生成系统，利用奖励条件、专家迭代和偏好调优，在120M参数模型中提升音频质量，该模型提交至ICME 2026 ATTM Grand Challenge。
Google的Gemini TTS现在支持流式音频生成，开发者可以构建即时响应的语音应用，无需等待完整音频输出。
Zyphra 发布了 ZONOS2，一个开源的实时 TTS 模型，具有高保真语音克隆功能，采用 Apache 2.0 许可，可在基于 AMD 的 Zyphra Cloud 上使用。
介绍VoxCPM2，一个完全免费商用、开源的多语言语音合成模型，支持声音设计、克隆及48kHz高质量输出，在GitHub趋势榜第一。
本文介绍了Eisbach对数障碍，这是一个从DiT输出空间能量分布的熵中导出的无参数权重，将其应用于Stable Audio 3的LoRA微调时，能够提升音乐多样性与主题发展，而不会导致模式坍缩。
京东开源发布了JoyAI-Echo（Echo-LongVideo），这是一个文本到音视频扩散模型，能够生成分钟级的多镜头视频，保持角色身份和声音一致，并利用DMD蒸馏实现了7.5倍的速度提升。
Google DeepMind 发布了 Magenta RealTime 2，这是一个开源音乐生成模型，支持设备端流式处理，可通过文本、音频示例和 MIDI 实现低延迟控制。
DEMON 提出了一种实时扩散引擎，通过控制去噪过程实现现场音乐演奏，在单块 RTX 5090 上每秒可完成多达 12.3 次解码器推理。它引入了异构调度、共享可变状态、逐帧混合和窗口化 VAE 解码，以实现响应式控制。
Spotify 正在推出 AI 驱动功能，让用户通过提示生成个性化播客、安排每日或每周简报，并通过新的问答功能向高级用户询问播客剧集相关问题。
Stable Audio 3 的一键启动器允许在任何电脑上运行该模型，无需GPU，包括仅有CPU的系统，并且是跨平台的（Mac、Linux、Windows）。
Jordi Pons宣布推出Stable Audio 3，这是一个开源权重模型系列，用于生成器乐和音效，支持对授权音频进行快速生成和编辑。