Meta FAIR 开源五款新模型：图文交织、可控音乐与极速音频水印

Meta FAIR 这次打包开源了五套实用 AI 工具与模型，涵盖任意图文混排生成、可控音乐创作、多词预测加速以及语音防伪水印，开发者与研究人员可以直接拿来跑实验或做集成。

这五项成果解决的都是生成式模型目前最棘手的工程与研究痛点：从生成速度、多模态自由对齐，到音乐生成的精确控制，以及针对 AI 伪造内容的快速溯源。

它能做什么：图文全混排与高控音乐

Chameleon 是一套真正的混合模态模型。普通大模型大多只能做单向转换，比如文生图或图生文，而 Chameleon 可以接收任意图文交错的输入，也能同时交错输出图像和文字。比如你可以丢给它一段混着多张照片的旅行记录，让它直接生成一段图文并茂的图文博客。

JASCO 则是把音乐生成从纯凭运气的抽卡变成了可控编排。以往的 MusicGen 依赖纯文本提示词，很难卡准音乐节奏。JASCO 允许在输入提示词的同时，传入具体的和弦走向或打击乐节拍。无论是做背景配乐还是特定桥段过渡，创作者都能用符号和音频信号精准约束生成结果，质量与主流基线持平，可控度大幅提升。

底层加速与 485 倍极速防伪

除了生成端，Meta 还放出了提效和防御工具。

Multi-token prediction 改变了传统语言模型每次只猜下一个词的低效机制，让模型在训练时一次预测多个未来的词。这次公开的是专门用于代码补全任务的预训练模型，能用更少的训练步骤换取更强的代码补全效率与推理速度。

AudioSeal 则是目前首个针对 AI 合成语音进行局部检测的水印技术。过去的音频水印检测依赖复杂的解码算法，速度慢且只能判断整段音频真伪。AudioSeal 可以在长音频里直接精确定位哪些秒数是 AI 说的，检测速度比传统方案快了整整 485 倍，完全能塞进实时审核流和大规模管道中。

此外，Meta 还开放了用于评估文生图模型地理与文化多样性的代码，以及包含超过 6.5 万条人工标注的调查数据集，用来帮助排查生成图片里的地域偏见。

授权限制与开放程度

这批成果的开放策略分得非常清楚。

AudioSeal 采用了商用许可证，安全团队和平台可以直接把它集成进商业产品里做语音伪造检测。

Chameleon 的核心组件以及 Multi-token prediction 的代码补全模型，则采用非商用的研究许可证，主要供学界和开发者验证架构与做二次实验。地理偏差评估代码和标注数据集也已全量开放给社区使用。

为什么重要

这批开源工具对开发者和研究团队非常实在。做音频工具的团队可以直接拿 AudioSeal 构建防伪防护网，几乎不需要额外堆砌昂贵的计算成本；而研究混合模态和多词预测的学者，也不必从零烧算力复现底层架构。

我们认为，Meta 这套打法极其务实。它没有去卷单一模型参数规模的通稿，而是把图文原生融合、可控生成和内容安全这些真正卡脖子的工程实现推给社区，既巩固了自身在开源生态的话语权，也顺手把多模态评测与防护的标准立在了自己这套体系上。