TangoFlux：SUTD × NVIDIA联合研发文本转音频模型，3.7秒生成高质量立体声音频

TangoFlux是由新加坡科技设计大学（SUTD）与 NVIDIA 联合研发的先进文本到音频（TTA）生成模型。模型搭载约5.15亿参数，具备高效生成能力——在单张A40 GPU上，仅需3.7秒即可生成一段长达30秒的44.1kHz立体声音频。它不仅能精准复刻鸟叫、口哨、爆炸等各类音效，还能创作风格多样的音乐，为音频内容生产提供高效解决方案。

TangoFlux核心技术原理：

1、变分自编码器（VAE）：

将音频波形编码为潜在空间表示，同时支持从潜在表示中精准重构原始音频，为高质量音频生成奠定基础。

2、文本与时长嵌入：

通过文本编码控制音频内容走向，时长编码定义音频输出长度，实现“内容+时长”的双重精准可控。

3、FluxTransformer 架构：

融合 Diffusion Transformer（DiT）与 Multimodal Diffusion Transformer（MMDiT）的优势，高效处理文本提示信息，驱动音频生成流程。

4、流匹配技术：

学习从简单先验分布到复杂目标音频分布的映射关系，确保生成的音频样本更贴合真实音频的特征。

5、CLAP-Ranked 偏好优化：

基于迭代生成的偏好数据对，持续优化文本与音频的对齐精度，让生成结果更符合用户的描述需求。

TangoFlux核心功能：

1、极速生成响应：

单GPU环境下3.7秒即可产出30秒立体声音频，适配需要快速输出音频内容的场景，大幅缩短创作周期。

2、高保真音质输出：

生成44.1kHz标准立体声，音质清晰细腻，能精准还原各类音效细节与音乐层次，满足专业级音频制作需求。

3、长音频生成支持：

支持最长30秒的音频生成任务，可直接制作完整的短音效、配乐片段，无需分段拼接。

4、多样化音频创作：

兼顾音效与音乐两大品类，既能生成鸟叫、爆炸等场景化音效，也能创作不同风格的音乐内容，适配多元创意需求。

TangoFlux典型应用场景：

1、影视与游戏音频制作：

依据剧本或游戏场景描述，快速生成逼真音效、背景配乐乃至角色配音，大幅降低音频制作成本与时间，提升影视、游戏作品的沉浸感与互动性。

2、音乐创作灵感补给：

按照创作者设定的风格、节奏、主题，生成多样化音乐片段，帮助音乐人突破创作瓶颈，激发全新的创作思路。

3、VR/AR 体验增强：

可根据虚拟环境变化与用户交互行为，实时生成匹配的逼真音频，强化VR游戏的沉浸感，提升AR应用虚实融合的感知效果。

4、广告营销音频创新：

结合广告创意与品牌调性，定制独特的宣传音效或背景音乐，增强广告的听觉吸引力，加深消费者对品牌的记忆点与好感度。

进入TangoFlux官网入口