TangoFlux

收录理由

TangoFlux 能把一段文字描述变成最长 30 秒、44.1kHz 的音频，靠着 flow matching 的 transformer 架构，只要少数几次采样就能出结果，比早期基于扩散的文本转音频模型快不少。这种速度很适合拿来快速生成配音占位、游戏和视频里的音效素材，或者任何需要按需渲染音频的流程。仓库里不光有训练好的权重，还提供了完整的训练代码、偏好优化阶段，以及配套的 CRPO 数据集和生成脚本，团队想自己调数据或者整个流程从头复现都能做到，而不是只能加载现成的模型。不过动手之前得留意一点：这个项目只供研究使用，用的是 Stability AI 的社区许可，产品上线前最好先确认授权范围是否合适。