Meta 开源音频生成框架 AudioCraft：文字一键生成音乐和环境音效

AudioCraft 是 Meta 开源的一站式音频生成框架，能让你只用几句文字提示，就直接生成高品质的音乐和环境音效。

过去生成式 AI 的热度大多集中在图像和文本，音频领域一直进展较慢。原因在于音频的信号非常复杂，尤其是音乐，既有局部的微小音符，又有横跨多乐器的全局乐理结构。已有的工具往往架构繁琐且不够开放，普通人很难拿来自己修改。

AudioCraft 把复杂的音频生成流程打包进了一个统一的代码库里，并将底层的全部代码与模型权重彻底开源。

它能做什么

AudioCraft 整合了三个核心模型，分别对应音乐生成、音效生成与底层压缩解压，彼此无缝配合。

负责音乐生成的是 MusicGen。它使用 Meta 拥有版权或获得专门授权的音乐进行训练，用户只要输入曲风、乐器或情绪描述，它就能合成结构连贯的完整乐段。

负责环境声音的是 AudioGen。这次 Meta 正式放出了它的预训练模型，模型基于公开音效数据训练，能精准模拟狗叫、汽车鸣笛、木地板上的脚步声等日常声音。

串联起这两者的是升级版神经音频编解码器 EnCodec。Meta 这次更新了 EnCodec 解码器，能在更低伪影的前提下重建高保真音频，让生成的音乐听起来更加干净真实。

怎么用起来

对研究人员和开发者来说，AudioCraft 最大的意义在于打破了黑盒。

整个代码库同时支持音频压缩、音效生成和音乐建模。你不需要东拼西凑不同的工具，所有管线都在同一个地方。

Meta 公开了完整的训练流程和模型权重。这意味着从业者不仅能直接调用现成模型，还可以第一次用自己私有的音频数据集，在本地从头或微调训练专属模型。

无论你是想做一款更智能的音效生成器，还是优化音频压缩算法，都能直接站在现有权重的基础上继续推进。

为什么重要

在商业音频生成工具普遍采取封闭 API 的当下，Meta 把高质量音频模型的基础设施直接推向了开源社区。

对游戏独立开发者、短视频创作者或独立音乐人来说，这套工具能大幅降低找音效和制作背景音乐的门槛，随手输入提示词就能搭建情绪草稿。Meta 甚至认为，随着控制维度的增加，MusicGen 未来可能会像当年的电子合成器一样，成为音乐家创作时的新型乐器。

我们认为，这一步走得相当聪明。音频生成的算力和数据门槛极高，Meta 开放基础底座，相当于让全球开发者免费帮它探索应用场景和迭代算法。不过，受限于目前的文本控制精度，它目前更适合作为灵感草稿和辅助工具，真正专业的编曲和高精度声音设计，依然离不开人工的精细打磨。