Make-An-Audio 2
Make-An-Audio 2是由浙江大学、字节跳动、香港中文大学联合研发的文本到音频生成技术官方展示站点，核心定位为面向学术研究与创意开发群体的音频生成技术演示平台
Make-An-Audio 2是由浙江大学、字节跳动、香港中文大学联合研发的文本到音频生成技术官方展示站点，核心定位为面向学术研究与创意开发群体的音频生成技术演示平台。核心功能包括文本语义解析转音频、变长音频生成、音频时间一致性优化、音频生成效果对比展示。目标用户覆盖音频领域研究人员、AI技术开发者、内容创作从业者、高校计算机相关专业师生。使用场景包括学术研究中的技术效果验证、内容创作前期的音效小样生成、AI音频技术开发的算法参考、高校相关课程的技术案例演示。
- 适用对象
- 音频AI研究人员(开展音频生成技术相关学术研究)
- 主要功能
- 文本解析转音频、变长音频生成
- 计费方式
- 免费
- 平台
- 网页
- 已收录
- 2026.06.14（138 天）
阅读目录
编辑评测与站内热度
编辑综合评分
满分 5 分
六维指标基于站内真实数据（热度、社区反馈、资料完整度、可达性核验等）综合评估，非用户投票。
全站热度排名
#4751
分类内排名
#5 / 32
累计站内点击
—
近 7 日点击
—
排名与点击为站内真实统计口径，反映 Toolifai 用户行为，非编辑评分。
Make-An-Audio 2是什么，怎么使用？
约 5 分钟Make-An-Audio 2是由浙江大学、字节跳动、香港中文大学联合研发的文本到音频生成技术官方展示站点，核心定位为面向学术研究与创意开发群体的音频生成技术演示平台。核心功能包括文本语义解析转音频、变长音频生成、音频时间一致性优化、音频生成效果对比展示。目标用户覆盖音频领域研究人员、AI技术开发者、内容创作从业者、高校计算机相关专业师生。使用场景包括学术研究中的技术效果验证、内容创作前期的音效小样生成、AI音频技术开发的算法参考、高校相关课程的技术案例演示。
主要功能
- 文本解析转音频：用户在站点输入符合描述规则的文本内容，系统会先通过预训练大型语言模型完成文本语义的深度解析，识别文本中包含的音效类型、场景特征、时序信息，再调用扩散模型完成对应音频的生成，输出的音频内容可直接在线播放或下载存储，可精准匹配文本描述的声音元素与场景氛围。
- 变长音频生成：用户可根据需求输入不同长度的文本描述，系统搭载的前馈Transformer结构扩散去噪器可适配不同时长的音频生成需求，支持生成数秒到数十秒不等的音频内容，生成过程中会针对性提取时间维度的特征信息，避免长音频出现内容断裂、逻辑不连贯的问题，适配不同场景的时长需求。
- 语义对齐优化：系统在生成音频前会对输入文本进行多层语义拆解，匹配训练数据集中的音频标签与文本对应关系，降低生成内容与文本描述不符的概率，比如输入“雨中的咖啡店背景音乐加轻微交谈声”，系统会同时覆盖雨声、咖啡店内环境音、背景音乐、人声等元素，各元素占比符合常规场景的听觉逻辑。
- 时间一致性优化：针对生成音频过程中容易出现的时序混乱问题，系统在扩散去噪环节加入了时间维度的特征约束，生成的长音频不会出现前后声音元素突然切换、节奏突兀的问题，比如生成“从清晨鸟鸣到早市喧闹的过渡音频”，两种场景的声音会自然衔接，过渡过程符合真实环境的变化逻辑。
- 生成效果对比：站点内置了同类型文本到音频生成模型的效果对比模块，用户输入同一段文本后，可同时查看Make-An-Audio 2与其他同类技术的生成结果，支持在线同步播放对比不同模型的生成质量、语义匹配度、时序流畅度，方便研究人员直观了解该技术的优化效果，为学术研究提供参考数据。
- 技术文档展示：站点同步展示了Make-An-Audio 2的完整研发论文、核心技术原理说明、训练数据集构建方法，用户可直接在线查阅相关技术资料，了解该技术解决音频文本数据集稀缺问题的具体方案，以及前馈Transformer扩散去噪器的设计逻辑，为相关领域的研究提供技术参考。
怎么使用
- 第一步，访问Make-An-Audio 2官方站点，在首页导航栏选择演示功能入口，进入文本到音频生成的操作界面，提前准备好需要生成音频的描述文本。第二步，在文本输入框中输入清晰明确的音频描述内容，可包含场景、声音元素、时长、节奏等信息，尽量避免模糊的语义描述。第三步，根据自身需求选择生成音频的大致时长范围，确认输入信息无误后，点击页面上的生成按钮，等待系统完成音频生成流程。第四步，生成完成后可点击播放按钮试听生成的音频内容，确认音频是否符合自身的描述需求，若不符合可调整文本内容后重新生成。第五步，若对生成结果满意，可点击下载按钮将音频保存到本地，也可选择查看同类型模型的生成对比结果，或前往技术文档板块查阅相关研发资料。
适合什么人群
- 音频AI研究人员(开展音频生成技术相关学术研究)
- AI技术开发者(开发音频生成相关应用产品)
- 内容创作从业者(制作短视频、播客的音效素材)
- 高校计算机专业师生(学习扩散模型、音频生成相关课程)
- 游戏开发人员(快速生成游戏场景音效小样)
- 影视制作人员(制作前期的音效参考素材)
总结
这是学术团队联合企业研发的文本到音频生成技术的官方展示站点，和普通面向C端用户的音频生成工具不同，该站点的核心价值在于技术成果的公开演示与学术资料分享。站点不仅提供了可直接操作的音频生成演示功能，还完整公开了技术研发的核心原理、训练数据集构建方案、对比实验数据，对于相关领域的研究人员来说，是非常有参考价值的技术落地样本。站点的生成演示功能没有设置复杂的使用门槛，普通用户也可以通过输入文本体验最新的音频生成技术效果，同时站点提供的对比演示功能，可以直观展现该技术在语义对齐、时间一致性、长音频生成方面的优化效果，不管是做学术研究还是技术开发，都能从中获取对应的参考信息。目前该站点的功能主要围绕技术演示展开，没有额外的商业功能，整体内容偏向学术属性，适合有相关研究或开发需求的用户访问使用。
价格与免费额度
Make-An-Audio 2当前为学术演示站点，所有公开的演示功能、技术文档资料均免费向用户开放，没有设置付费使用门槛，免费版没有使用次数的强制限制，但受服务器资源约束，单次生成音频的最长时长不超过60秒，同时不支持批量生成请求。当前站点没有推出付费版本，相关技术的商业落地授权需要联系研发团队单独沟通，适合有音频生成技术研究、效果体验需求的用户免费使用，有大规模商用需求的用户可通过站点公开的联系方式咨询研发团队。
优点与不足
优点
- 搭载预训练大型语言模型解析文本，生成的音频与输入文本的语义匹配度较高
- 支持变长音频生成，适配不同时长的音频生成需求，长音频的时间连贯性表现较好
- 公开完整的技术研发资料与对比实验数据，可为相关领域的学术研究提供参考
- 演示功能操作简单，无需复杂的配置步骤，输入文本即可快速获得生成结果
- 提供同类型技术的生成效果对比功能，可直观了解该技术的优化方向与实际效果
不足
- 站点主要为技术演示用途，生成的音频可支持的场景有限，暂不支持复杂的定制化音频生成需求
- 没有开放批量生成接口，不适合有大规模音频生成需求的用户使用
- 生成的音频暂时无法进行二次编辑，只能对整体生成结果进行调整，不能单独修改某一段声音元素
- 部分小众场景的描述文本生成效果不稳定，容易出现元素缺失或不符合预期的情况
能帮你做的 8 件事
- 01文本解析转音频
- 02变长音频生成
- 03语义对齐优化
- 04时间一致性优化
- 05文本转音频场景的常用方案
- 06AI音频生成场景的常用方案
- 07音频AI研究人员(开展音频生成技术相关学术研究)的日常效率工具
- 08零成本体验完整核心功能
更新历史
- Make-An-Audio 2 收录进 Toolifai 目录
- 页面资料核验与信息更新
常见问题
Make-An-Audio 2生成的音频可以商用吗？
当前站点提供的演示生成音频仅供技术体验与研究参考使用，暂不支持直接商用。该技术的相关知识产权归属研发团队所有，若需要将该技术或生成的音频用于商业用途，需要通过站点公开的联系方式联系研发团队，获取对应的使用授权，确认商用的相关规则与权限范围。未经授权擅自将生成的音频用于商业场景，可能会面临知识产权相关的纠纷，建议有商用需求的用户提前和研发团队沟通确认合作方式。
该站点支持生成哪些类型的音频？
当前支持生成的音频类型涵盖自然环境音效、日常生活场景音效、简单的音乐片段、常见的人声场景音效等，比如雨声、海浪声、咖啡馆环境音、办公室交谈声、简单的钢琴旋律等都可以通过文本描述生成。暂不支持生成复杂的多声部音乐、特定人物的模仿语音、带有版权内容的音频，同时对于描述过于模糊、包含未收录的小众场景的文本，生成效果可能会出现不符合预期的情况，建议输入文本时尽量清晰描述声音的具体元素与场景特征。
生成音频的最长时长是多少？
当前演示版本单次生成音频的最长支持时长为60秒，输入文本时可以根据需求标注需要的时长，系统会根据标注调整生成内容的长度。若需要生成更长时长的音频，可以将长文本拆分为多个连续的短文本分段生成，之后再自行拼接，不过分段生成的音频衔接部分可能会出现轻微的不连贯问题。受服务器资源限制，站点暂时没有开放更长时长的生成权限，后续是否调整会根据技术迭代情况在站点同步通知。
该技术的训练数据集是如何构建的？
研发团队通过预训练大型语言模型，将大量已有的音频标签数据转换为对应的音频文本配对数据集，解决了音频文本配对数据稀缺的问题。训练数据包含了不同场景、不同类型的音频样本，覆盖了常见的自然音效、生活场景音效、简单音乐等类别，同时对数据的语义对应关系、时序特征进行了标注，保障模型可以学习到文本描述和音频特征之间的映射关系。站点的技术文档板块有关于数据集构建的详细说明，有研究需求的用户可以自行查阅。
可以下载该模型的源码自行部署吗？
目前研发团队已经公开了部分技术相关的代码资源，用户可以通过站点提供的GitHub仓库地址获取相关代码，不过部署需要具备对应的技术能力，同时需要满足一定的硬件配置要求，比如需要搭载显存足够的GPU设备才能完成本地部署运行。公开的代码主要用于学术研究用途，若需要用于商业部署，同样需要联系研发团队获取对应的授权，相关的部署教程与环境要求在代码仓库中有详细的说明，用户可以根据指引完成部署操作。
生成的音频效果不满意可以调整吗？
当前演示版本暂时不支持对已生成的音频进行直接编辑调整，如果生成的效果不符合预期，可以修改输入的文本描述，补充更详细的声音元素、场景特征、音量比例、节奏等信息后重新生成。比如原来输入“咖啡店声音”生成效果不满意，可以调整为“下雨天的咖啡店，背景音乐是轻柔的爵士，有轻微的杯子碰撞声和小声交谈声，雨声清晰但不嘈杂”，更详细的描述可以提升生成内容和预期的匹配度。后续版本是否会加入编辑调整功能，研发团队会根据用户反馈进行评估。
开始使用 Make-An-Audio 2
从官方入口了解最新功能与使用方式。
由 Toolifai 编辑维护
欢迎产品方补充截图、功能介绍与官方资料。更新和纠错由编辑审核后发布。
