PlanAudio：自由文本直接生成语音与音效

Yuyue Wang 等人提出 PlanAudio 端到端框架，可将无约束的自由文本提示直接映射为统一的语音与音效音频，无需先对提示词做分解或改写。 该框架在单一自回归架构中集成隐式规划：先预测连续音频布局，再合成声学 token。研究团队同时构建了大规模训练语料和 Free-Form Unified Audio Generation Benchmark（FUAG）基准，用于评测这类自由文本输入下的统一音频生成。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。