只需4步！开源音频模型AudioX-Turbo把文本视频统统变声音

Anything-to-Audio：统一多模态音频生成框架

　　GitHub 上出现了一个让人很容易多看两眼的音频生成项目 AudioX-Turbo（音频生成框架）。它的核心定位只有一个：Anything-to-Audio，也就是把任意输入快速变成声音。这里的“任意输入”被明确限定为文本、视频和音频三种常见模态，一个统一框架全部吃下。

　　具体来说，你给一串描述场景的文字，它能生成对应的音效；扔进一段几秒的视频，它也能根据画面内容产生匹配的声音；如果给的是一段已有的音频，它同样可以据此衍生出新的音乐或风格化音效。这种跨模态的统一处理，意味着不需要为不同输入类型切来换去，一套架构直接打通所有通道。

　　更让人感觉“快得有点不真实”的，是它的生成效率。从输入到输出，整个过程只需要 4 个推理步骤。4 步，不是 40 步，也不是 400 步，计算结果被极度压缩，从指令到听见声音几乎是实时完成的。音效或音乐就这样在一瞬间被合成出来，完全没有漫长的排队感。

　　目前该项目已经在 GitHub 上以开源形式完整放出，模型权重和代码全部公开可获取。对多模态音频合成有兴趣的研究者和工程师，可以直接拉取仓库，用几行命令跑起这个 Anything-to-Audio 的生成式管道。