Gera e decodifica efeitos sonoros a partir de comandos de texto ou sequências de vídeo usando modelos de fundação abertos.
Modelos de fundação abertos da Sony AI para codificação de áudio, efeitos sonoros orientados por texto e áudio sincronizado com vídeo.
Woosh é um kit de ferramentas de fundação de efeitos sonoros criado pela Sony AI para síntese de texto para áudio e vídeo para áudio. Ele oferece modelos de difusão latente juntamente com um codificador e decodificador de áudio para designers de som e desenvolvedores de jogos. Você pode executar scripts de inferência, iniciar interfaces de navegador locais ou integrar a geração em pipelines personalizados por meio de um servidor API.
O repositório fornece um conjunto de modelos, incluindo o Woosh-AE para codificação de áudio latente, o Woosh-CLAP para condicionamento de texto e modelos de difusão latente como Woosh-Flow e Woosh-VFlow. Ele sintetiza áudio diretamente de comandos de texto descritivos ou alinha o áudio gerado a arquivos de vídeo de entrada. Você gerencia e executa as ferramentas por meio de scripts Python usando o gerenciador de ambiente uv.
É adequado para desenvolvedores de jogos, designers de som técnicos e pesquisadores de áudio de IA que desejam gerar ativos de áudio originais localmente. É menos adequado para criadores não técnicos que exigem um plugin de estação de trabalho de áudio digital completo ou direitos comerciais imediatos.
Sintetiza efeitos sonoros personalizados diretamente a partir de descrições de texto usando modelos de difusão padrão e destilados.
Cria faixas de áudio alinhadas com sequências de vídeo de entrada usando difusão latente multimodal.
Comprime áudio bruto em latentes neurais e reconstrói formas de onda de alta qualidade com o Woosh-AE.
Fornece interfaces de usuário baseadas na web para testar a geração de texto para som no seu navegador local.
O código-fonte é gratuito e aberto sob licenças MIT e Apache-2.0. No entanto, os pesos dos modelos pré-treinados usam uma licença CC-BY-NC não comercial. A execução do projeto requer seu próprio hardware de computação GPU local.
880 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
O código-fonte do repositório usa licenças Apache-2.0 e MIT, mas os pesos dos modelos abertos fornecidos nos lançamentos do GitHub são licenciados sob CC-BY-NC, restringindo o uso comercial sem arranjos separados.
Não. Assim que você instala as dependências e baixa os pontos de verificação do modelo localmente, toda a geração de áudio é executada offline.
Veja o Zekai primeiro no Google