Meta 開源音訊生成框架 AudioCraft：文字一鍵生成音樂和環境音效

AudioCraft 是 Meta 開源的一站式音訊生成框架，能讓你只用幾句文字提示，就直接生成高品質的音樂和環境音效。

過去生成式 AI 的熱度大多集中在影像和文本，音訊領域一直進展較慢。原因在於音訊的訊號非常複雜，尤其是音樂，既有區域性的微小音符，又有橫跨多樂器的全域性樂理結構。已有的工具往往架構繁瑣且不夠開放，普通人很難拿來自己修改。

AudioCraft 把複雜的音訊生成流程打包進了一個統一的程式碼庫裡，並將底層的全部程式碼與模型權重徹底開源。

它能做什麼

AudioCraft 整合了三個核心模型，分別對應音樂生成、音效生成與底層壓縮解壓，彼此無縫配合。

負責音樂生成的是 MusicGen。它使用 Meta 擁有版權或獲得專門授權的音樂進行訓練，使用者只要輸入曲風、樂器或情緒描述，它就能合成結構連貫的完整樂段。

負責環境聲音的是 AudioGen。這次 Meta 正式放出了它的預訓練模型，模型基於公開音效資料訓練，能精準模擬狗叫、汽車鳴笛、木地板上的腳步聲等日常聲音。

串聯起這兩者的是升級版神經音訊編解碼器 EnCodec。Meta 這次更新了 EnCodec 解碼器，能在更低偽影的前提下重建高保真音訊，讓生成的音樂聽起來更加乾淨真實。

怎麼用起來

對研究人員和開發者來說，AudioCraft 最大的意義在於打破了黑盒。

整個程式碼庫同時支援音訊壓縮、音效生成和音樂建模。你不需要東拼西湊不同的工具，所有管線都在同一個地方。

Meta 公開了完整的訓練流程和模型權重。這意味著從業者不僅能直接呼叫現成模型，還可以第一次用自己私有的音訊資料集，在本地從頭或微調訓練專屬模型。

無論你是想做一款更智慧的音效生成器，還是最佳化音訊壓縮演算法，都能直接站在現有權重的基礎上繼續推進。

為什麼重要

在商業音訊生成工具普遍採取封閉 API 的當下，Meta 把高質量音訊模型的基礎設施直接推向了開源社群。

對遊戲獨立開發者、短影片創作者或獨立音樂人來說，這套工具能大幅降低找音效和製作背景音樂的門檻，隨手輸入提示詞就能搭建情緒草稿。Meta 甚至認為，隨著控制維度的增加，MusicGen 未來可能會像當年的電子合成器一樣，成為音樂家創作時的新型樂器。

我們認為，這一步走得相當聰明。音訊生成的算力和資料門檻極高，Meta 開放基礎底座，相當於讓全球開發者免費幫它探索應用場景和迭代演算法。不過，受限於目前的文本控制精度，它目前更適合作為靈感草稿和輔助工具，真正專業的編曲和高精度聲音設計，依然離不開人工的精細打磨。