Meta FAIR 開源五款新模型：圖文交織、可控音樂與極速音訊水印

Meta FAIR 這次打包開源了五套實用 AI 工具與模型，涵蓋任意圖文混排生成、可控音樂創作、多詞預測加速以及語音防偽水印，開發者與研究人員可以直接拿來跑實驗或做整合。

這五項成果解決的都是生成式模型目前最棘手的工程與研究痛點：從生成速度、多模態自由對齊，到音樂生成的精確控制，以及針對 AI 偽造內容的快速溯源。

它能做什麼：圖文全混排與高控音樂

Chameleon 是一套真正的混合模態模型。普通大模型大多隻能做單向轉換，比如文生圖或圖生文，而 Chameleon 可以接收任意圖文交錯的輸入，也能同時交錯輸出影像和文字。比如你可以丟給它一段混著多張照片的旅行記錄，讓它直接生成一段圖文並茂的圖文部落格。

JASCO 則是把音樂生成從純憑運氣的抽卡變成了可控編排。以往的 MusicGen 依賴純文本提示詞，很難卡準音樂節奏。JASCO 允許在輸入提示詞的同時，傳入具體的和絃走向或打擊樂節拍。無論是做背景配樂還是特定橋段過渡，創作者都能用符號和音訊訊號精準約束生成結果，質量與主流基線持平，可控度大幅提升。

底層加速與 485 倍極速防偽

除了生成端，Meta 還放出了提效和防禦工具。

Multi-token prediction 改變了傳統語言模型每次只猜下一個詞的低效機制，讓模型在訓練時一次預測多個未來的詞。這次公開的是專門用於程式碼補全任務的預訓練模型，能用更少的訓練步驟換取更強的程式碼補全效率與推理速度。

AudioSeal 則是目前首個針對 AI 合成語音進行區域性檢測的水印技術。過去的音訊水印檢測依賴複雜的解碼演算法，速度慢且只能判斷整段音訊真偽。AudioSeal 可以在長音訊裡直接精確定位哪些秒數是 AI 說的，檢測速度比傳統方案快了整整 485 倍，完全能塞進即時稽核流和大規模管道中。

此外，Meta 還開放了用於評估文生圖模型地理與文化多樣性的程式碼，以及包含超過 6.5 萬條人工標註的調查資料集，用來幫助排查生成圖片裡的地域偏見。

授權限制與開放程度

這批成果的開放策略分得非常清楚。

AudioSeal 採用了商用許可證，安全團隊和平臺可以直接把它整合進商業產品裡做語音偽造檢測。

Chameleon 的核心元件以及 Multi-token prediction 的程式碼補全模型，則採用非商用的研究許可證，主要供學界和開發者驗證架構與做二次實驗。地理偏差評估程式碼和標註資料集也已全量開放給社群使用。

為什麼重要

這批開源工具對開發者和研究團隊非常實在。做音訊工具的團隊可以直接拿 AudioSeal 構建防偽防護網，幾乎不需要額外堆砌昂貴的計算成本；而研究混合模態和多詞預測的學者，也不必從零燒算力復現底層架構。

我們認為，Meta 這套打法極其務實。它沒有去卷單一模型引數規模的通稿，而是把圖文原生融合、可控生成和內容安全這些真正卡脖子的工程實現推給社群，既鞏固了自身在開源生態的話語權，也順手把多模態評測與防護的標準立在了自己這套體系上。