本文へスキップ

TangoFlux

文章から数秒で 30 秒の音声を生成

公式サイトを見る

TangoFlux とは

本モデルは 515M パラメータの効率的な文章から音声への仕組みと紹介され、選好最適化の枠組みで整合性を高める。コードとモデルは公開されている。

できること

  • 最長 30 秒の 44.1 キロヘルツの音声を生成する
  • ステレオの背景音楽と効果音を作る
  • 選好データの反復で整合性を整える

導入の手順

  • GitHub から公開コードを取得する
  • 依存ライブラリと環境を入れる
  • 文章を入力してコードを動かし音声を作る

長所と短所

✓ 良い点

  • 選好データの反復生成で整合性を高める
  • 最長 30 秒の音声生成に対応

! 注意したい点

  • 記載される実行環境は単一の A40 GPU
  • 整合性の調整は CRPO の枠組みに沿う

よくある質問

生成の速さは?

資料は単一の A40 GPU で最長 30 秒の 44.1 キロヘルツの音声に 3.7 秒と説明。

コードは公開される?

資料はコードとモデルがすべてオープンソースと説明。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法