独立研究者开源音频模型：文本描述直接生成可演奏合成器

RoyalCities · reddit · 2026-09-10

独立音频研究者 RoyalCities 发布并开源了 Foundation-1 音频模型，能把文本 prompt 变成可无限生成 one-shot 采样、且完全可演奏的合成器。其核心创新是让模型将乐器与音色（timbre）作为两个独立可控维度——比如同一架大钢琴既可以温暖粗粝，也可以冰冷清亮，而它仍然是钢琴——这种控制粒度在现有模型中都没有。最难的部分是让 timbre 锁定的琴键在多次 diffusion 调用之间保持一致，作者声称已解决。

配套资源齐全：模型在 Hugging Face（RoyalCities/Foundation-1），推理管线 fork 了 stable-audio-tools 并开源在 GitHub，还发布了完整讲解视频与纯演示片段，其他创作者可以直接照着 vibe code 自己的文本转合成器工具。