テキストと参照音源からのサウンド生成技術の現状

HNにて、テキストと参照音源からサウンドを生成するモデルの不足が議論されています。画像生成分野では既に一般的となっているマルチモーダル入力による制御が、音楽や音響制作の現場でも同様に求められていますが、現状のElevenLabsやStable Audio等のツールでは十分な精度が得られていないとの指摘があり、クリエイターにとっての新たな課題となっています。

要約は AI による自動生成です。全文は原文サイトでご覧ください。