阿里通义开源首个CoT音频模型

阿里通义语音团队最新开源的泛音频生成模型ThinkSound，主要用于视频配音，主打让每一帧画面都有专属匹配音效。据介绍，它首次将今年大热的CoT思维链推理引入了音频领域，解决了传统视频配乐技术往往只能生成单调的背景音，而难以捕捉画面中的动态细节和空间关系的难题。目前ThinkSound一共有三种型号（1.3B、724M、533M）可选，开发者可在GitHub、HuggingFace、魔搭社区下载体验。

文章评价

匿名用户

发布

发布