text-to-audio

Amphion (/æmˈfaɪən/) es un conjunto de herramientas para la generación de audio, música y voz. Su propósito es respaldar la investigación reproducible y ayudar a los investigadores y desarrolladores junior a iniciarse en el campo de la investigación y el desarrollo de la generación de audio, música y voz.

Genera audiolibros a partir de EPUBs, PDFs y texto con subtítulos sincronizados.

[CVPR 2025] MMAudio: Dominando el entrenamiento conjunto multimodal para la síntesis de video a audio de alta calidad

[NeurIPS 2025] Implementación en PyTorch de [ThinkSound], un framework unificado para generar audio desde cualquier modalidad, guiado por razonamiento de cadena de pensamiento (CoT).

StreamSpeech es un modelo integrado "Todo en uno" para el reconocimiento, traducción y síntesis de voz tanto fuera de línea como simultáneos.

Interfaz web para diversas redes neuronales relacionadas con audio.

Una familia de modelos de difusión para la generación de texto a audio

HunyuanVideo-Foley: Difusión multimodal con alineación de representación para la generación de audio Foley de alta fidelidad.

[ICLR 2026] TangoFlux: Generación de texto a audio superrápida y fiel con Flow Matching

Implementación en PyTorch de Make-An-Audio (ICML'23) con un modelo generativo de texto a audio.

OpenMusic: Generación de texto a música (TTM) de última generación.

🔥🔥🔥 Una lista seleccionada de artículos sobre generación multimodal basada en LLMs (imagen, video, 3D y audio).

Un proyecto de código abierto para unificar el procesamiento y la generación de audio.