近日，Meta发布了最新的AI音频生成模型“Audiobox”。该模型以Meta 6月发布的Voicebox框架为基础开发，能生成各种环境及风格的语音、音效，同时整合了生成、编辑能力，以及多种输入机制，增强了对不同应用场景的声音控制能力。

在Meta看来，Audiobox是第一个可接受语音及文字描述来改造声音的模型。通过Audiobox，用户可以运用自然语言文字提示描述想要的声音或语音类型，例如可输入“流水环境中的鸟叫声”等文字信息生成场景音效，或是输入“高声调、快节奏讲话的年轻女性”生成人声。 此外，用户还可以输入人声及文字信息，合成在指定环境下带有情绪起伏的一段对话。

Audiobox目前已经开放向特定研究人员及学术界试用，以测试模型质量及安全伦理性，未来几周后还将通过网页开放试用申请。