long-form-audio

MiniMax 发布 Music 3，一款高性能音乐生成模型，可根据歌词和详细描述生成最长五分钟的完整歌曲，配备 8B 全局大语言模型和 0.6B 局部大语言模型，以实现长程连贯性和声学细节。

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。

VibeVoice 是微软推出的一款新模型，它利用 Next-Token Diffusion（下一令牌扩散）和一种高度高效的连续语音分词器，生成长形式多说话人语音。该模型实现了卓越的保真度和压缩率，支持长达 90 分钟的多说话人音频生成。