Genera y decodifica efectos de sonido a partir de mensajes de texto o secuencias de vídeo utilizando modelos base abiertos.
Modelos base abiertos de Sony AI para codificación de audio, efectos de sonido guiados por texto y audio sincronizado con vídeo.
Woosh es un kit de herramientas base de efectos de sonido creado por Sony AI para la síntesis de texto a audio y de vídeo a audio. Ofrece modelos de difusión latente junto con un codificador y decodificador de audio para diseñadores de sonido y desarrolladores de juegos. Puedes ejecutar scripts de inferencia, iniciar interfaces de navegador locales o integrar la generación en flujos de trabajo personalizados a través de un servidor API.
El repositorio proporciona un conjunto de modelos que incluye Woosh-AE para la codificación de audio latente, Woosh-CLAP para el acondicionamiento de texto y modelos de difusión latente como Woosh-Flow y Woosh-VFlow. Sintetiza audio directamente a partir de indicaciones de texto descriptivas o alinea el audio generado con archivos de vídeo de entrada. Gestionas y ejecutas las herramientas mediante scripts de Python utilizando el administrador de entornos uv.
Es adecuado para desarrolladores de juegos, diseñadores de sonido técnicos e investigadores de audio con IA que buscan generar recursos de audio originales de forma local. Es menos adecuado para creadores no técnicos que requieren un plugin para estación de trabajo de audio digital finalizado o derechos comerciales inmediatos.
Sintetiza efectos de sonido personalizados directamente a partir de descripciones de texto utilizando modelos de difusión estándar y destilados.
Crea pistas de audio alineadas con secuencias de vídeo de entrada utilizando difusión latente multimodal.
Comprime audio en bruto en latentes neuronales y reconstruye formas de onda de alta calidad con Woosh-AE.
Proporciona interfaces de usuario basadas en web para probar la generación de texto a sonido en tu navegador local.
El código fuente es gratuito y abierto bajo las licencias MIT y Apache-2.0. Sin embargo, los pesos de los modelos preentrenados utilizan una licencia no comercial CC-BY-NC. La ejecución del proyecto requiere tu propio hardware de computación con GPU local.
896 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 25 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.
El código fuente del repositorio utiliza las licencias Apache-2.0 y MIT, pero los pesos de los modelos abiertos proporcionados en las versiones de GitHub están licenciados bajo CC-BY-NC, lo que restringe el uso comercial sin acuerdos separados.
No. Una vez que instalas las dependencias y descargas los puntos de control del modelo localmente, toda la generación de audio se ejecuta sin conexión.
Ve Zekai primero en Google