MiDashengLM-Gen：LLM 驱动的混合音频场景生成

fruesome · reddit · 2026-08-16

MiDashengLM-Gen 是一个端到端框架，利用预训练大语言模型和音频 Tokenizer 作为骨干，结合基于 Token 的条件流匹配（Autoregressive Flow Matching），能够从结构化文本描述生成混合语音、音乐、音效和环境音的连贯音频场景。

原文链接 →

「多模态」频道最新

• 音乐超分 LLM：是否存在类似视频超分的音频增强模型？ — LeatherRub7248 · 2026-08-24
• 描述梦境给AI龙，它即生成星球带你体验 — repligate · 2026-08-24
• 用金缮纹理修复3D模型编辑后的裂缝 — repligate · 2026-08-24
• 用 FL2VA 模型制作汉尼拔角色视频 — Nimblecloud13 · 2026-08-24
• MiniMax H3 助力复活中世纪短视频创作，工作流全公开 — zanatas · 2026-08-24
• NAPE 音频预训练法开源：无解码器 SOTA — kastnerkyle · 2026-08-24

更多「多模态」频道 AI 资讯 →