# AudioX صدای و موسیقی را از متن، ویدیو و صدا می‌سازد

> پژوهشگران AudioX را در سه نسخه منتشر کرده‌اند؛ این مدل می‌تواند از ورودی‌های متنی، تصویری و صوتی برای تولید صدا و موسیقی استفاده کند.

Oossa · 2026-10-27 · https://oossa.com/fa/audiox

پژوهشگران چارچوب هوش مصنوعی AudioX را برای تولید صدا و موسیقی از متن، ویدیو و سیگنال صوتی توسعه داده‌اند. آن‌ها ماژولی به نام MAF ساخته‌اند تا مدل ورودی‌های گوناگون را بهتر با هم ترکیب کند. AudioX در سه نسخه روی Hugging Face منتشر شده و پژوهشگران می‌توانند به کد، وزن‌های مدل و دموی تعاملی دسترسی داشته باشند. برای اجرای آفلاین، به پایتون ۳٫۸ یا بالاتر، FFmpeg و کارت گرافیک سازگار نیاز است.

## حقایق

- داده‌های آموزشی IF-caps بیش از ۷ میلیون نمونه دارند.
- سه نسخه منتشرشده عبارت‌اند از AudioX، AudioX-MAF و AudioX-MAF-MMDiT.

## چرا مهم است

برای پژوهشگرانی که روی تولید صوت کار می‌کنند، دسترسی به کد و وزن‌های مدل امکان بررسی و اجرای آن را فراهم می‌کند؛ اما اجرای آفلاین به کارت گرافیک سازگار نیاز دارد.

## منابع و ارجاع‌ها

1. [فراتر از متن و تصویر؛ مدل هوش مصنوعی AudioX مرزهای تولید صدا را جابه‌جا می‌کند](https://www.zoomit.ir/ai-articles/469874-audiox-multimodal-audio-generation-model/) – Zoomit, 2026-10-27

آخرین به‌روزرسانی: 2026-10-27