超快音效生成模型TangoFlux：僅需3秒鐘就能生成30秒長音頻

在人工智能領域，文本音頻生成技術正逐漸成爲研究的熱點。最近，研究者們推出了一款名爲 TANGOFLUX 的全新模型，該模型在性能和效率上均表現出色。TANGOFLUX 是一種高效的文本到音頻生成模型，擁有515百萬個參數，能夠在短短3.7秒內生成最長可達30秒的44.1kHz 音頻，這一速度讓其在單個 A40GPU 上的表現非常出色。TANGOFLUX主要是特色是可以生成各種音效，例如鳥叫、口哨、爆炸等聲音，另外也支持生成音樂不過效果就不那麼理想了。文本音頻生成模型的一個主要挑戰在於如何創建偏好配對。