text-to-audio

MaineCoon是一款22B参数的实时文生音频视频模型，在单张H100 GPU上可达47.5 FPS，支持低成本、长时长的流式生成，同步语音与画面，用于实时AI角色。

SwanSphere 提出了一种统一的流式框架，通过因果自回归扩散变换器和多模态学习策略，从全景视频和文本提示中生成高保真空间音频，在视频到空间音频和文本到空间音频任务中均实现了卓越性能。

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。

Stability AI发布了Stable Audio 3.0，这是一个开放权重模型系列，可生成最长六分钟的变长音频，支持LoRA微调和音频修复，基于完全许可的数据训练。

Stability AI发布了Stable Audio 3，提供用于音乐和VFX的开源变体，具备快速且高质量的音频生成能力。

Stable Audio 3 推出了一系列快速潜扩散模型，用于变长音频生成与编辑，并开源了中小型模型权重。

WavFlow 通过波形分块和振幅提升，直接在原始波形空间中生成高保真音频，在视频到音频和文本到音频基准测试中取得了具有竞争力的性能，无需中间潜在表示。