TangoFlux是新加坡科技设计大学（SUTD）与NVIDIA合作研发的一款先进的文本到音频（TTA）生成模型，该模型拥有约5.15亿参数，能够在单个A40 GPU上仅用3.7秒生成长达30秒的44.1kHz立体声音频。TangoFlux不仅可以生成音效如鸟叫、口哨、爆炸等声音，还能生成音乐。

TangoFlux技术原理

变分自编码器: 使用VAE将音频波形编码成潜在的表示，从潜在表示中重构原始音频。

文本和时长嵌入: 基于文本编码和时长编码来控制生成音频的内容和时长。

FluxTransformer架构: 结合Diffusion Transformer (DiT) 和 Multimodal Diffusion Transformer (MMDiT)处理文本提示和生成音频。

流匹配: 学习从简单先验分布到复杂目标分布的映射，生成样本。

CLAP-Ranked Preference Optimization: 基于迭代生成偏好数据对，优化音频对齐。

TangoFlux主要功能

快速生成音频：TangoFlux能够在极短的时间内生成高质量的音频内容，适用于需要快速响应的应用场景。

高音质输出：生成的音频质量高，能够清晰再现各种声音事件，适合用于音乐、音效等多种类型的音频生成。

支持长音频生成：该模型能够处理长达30秒的音频生成任务，适合制作较长的音频内容。

多样化音效生成：TangoFlux不仅可以生成音乐，还能生成各种音效，如鸟叫、口哨、爆炸声等，适用于多种创意和娱乐项目。

TangoFlux应用场景

影视与游戏音频制作：TangoFlux可依剧本或场景描述，快速生成逼真音效、配乐及配音，缩短制作周期、降成本，提升作品音频质量，增强游戏互动性与沉浸感。

音乐创作灵感源：能按创作者设定，生成多样音乐片段，助力突破创作瓶颈，推动音乐创新，带来更多新颖作品。

VR与AR体验增强：依虚拟环境与用户交互生成实时逼真音频，提升VR游戏沉浸感，增强AR应用对虚实融合的感知。

广告营销音频创新：依广告创意与品牌形象生成独特音频，吸引消费者，唤起共鸣，提升品牌知名度与美誉度。

TangoFlux项目资源

项目官网: tangoflux.github.io

arXiv技术论文: https://export.arxiv.org/pdf/2412.21037

TangoFlux还采用了CLAP-Ranked Preference Optimization (CRPO)框架，通过迭代生成和优化偏好数据来提升模型的音频对齐能力。这种方法使得生成的音频不仅在质量上有保障，还能更好地符合用户的偏好和输入文本的意图。此外，TangoFlux的训练基于非专有数据集，使得模型更加开放和可访问，促进了进一步的研究和应用。

TangoFlux主要应用于多媒体内容创作，比如在电影、游戏、广告和视频制作中生成背景音乐、声效和配音，从而提高制作效率和降低费用。它的技术原理包括变分自编码器（VAE）、文本和时长嵌入、FluxTransformer架构等，这些技术共同支持了其高效的音频生成能力。

相关资讯：

文本转语音软件