音频对齐

开源高效文本到音频生成模型，速度快性能领先 TangoFlux是参数规模515M的文本到音频生成模型，相较于同类模型，它生成速度更快，单A40 GPU仅需3.7秒即可生成长达30秒的44.1kHz高质量音频。它创新性提出CRPO框架解决了文本到音频模型对齐难题，在多项基准测试中取得了领先性能，所有代码与模型均开源开放，支持相关领域研究推进。