8月3日，全球社交、科技巨头Meta宣布开源文本生成音乐模型Audiocraft。据悉，Audiocraft是一个混合模型，由MusicGen、AudioGen和EnCodec组合而成，仅用文本就能生成鸟叫、汽车喇叭声、脚步等背景音频，或更复杂的音乐，适用于游戏开发、社交、视频配音等业务场景。
Audiocraft是目前功能最强大的开源音乐模型之一，由MusicGen、AudioGen和EnCodec三个模型组合而成：
MusicGen是一个文本生成音乐的自回归语言模型，大约使用了40万份文本描述和元数据的录音，总计2万小时的授权音乐进行训练，可通过文本自动生成摇滚、流行、重金属、RPA等类型音乐。
AudioGen是一个文本生成音频的自回归语言模型，具备分离音频功能，例如，可识别背景声、说话声和物体发出的声音等。这有助于仅使用文本生成音频时，更准确贴近用户的目标音乐。
EnCodec是一个高保真音频、音乐的压缩和解压器，可以用最小的体积尽可能还原原始音乐，这对于打造高质量音频模型来说至关重要。EnCodec由编码器、量化器和解码器三大块组成。
编码器：通过获取未压缩的数据，并将其转换为更高维度和更低帧速率的表示。
量化器：将编码器生成的“表示”压缩到目标大小，同时保留最重要的信息来重建原始信号。
解码器：将压缩信号转换回，与原始信号尽可能相似的波形。因为在低比特率下不可能进行完美的重建，所以，使用了鉴别器来提高音频生成样本的质量。
