近年來，隨著多模態(tài)大模型的飛速發(fā)展，視覺領(lǐng)域（如圖像、視頻）的「理解 - 生成 - 編輯」大一統(tǒng)模型不斷涌現(xiàn)。然而，在聲音的物理世界中，音頻模型卻依然處于各自為戰(zhàn)的狀態(tài)：

現(xiàn)有的音頻大模型往往局限于單一任務(wù)（只能理解，或只能生成），或者受限于特定領(lǐng)域（做語音的處理不了音樂，做音樂的處理不了環(huán)境音）。與此同時(shí)，音頻編輯（Audio Editing）更是因?yàn)闃O其匱乏大規(guī)模、高質(zhì)量的指令數(shù)據(jù)集，遲遲難以實(shí)現(xiàn)突破。

面對這一長期存在的技術(shù)難題，香港科技大學(xué)、騰訊微信視覺團(tuán)隊(duì)與北京大學(xué)的研究人員提出了一種全新的解耦框架 ——Audio-Omni。這是業(yè)界首個(gè)在統(tǒng)一框架下，同時(shí)支持通用聲音、音樂、語音三大領(lǐng)域的理解、生成與編輯的全能型多模態(tài)模型。

Audio-Omni 巧妙地將凍結(jié)的多模態(tài)大模型（MLLM）的強(qiáng)大推理能力，與可訓(xùn)練的擴(kuò)散生成器（DiT）的高保真合成能力完美結(jié)合。更重要的是，由于繼承了 MLLM 豐富的世界知識，Audio-Omni 展現(xiàn)出了眾多專家音頻模型難以實(shí)現(xiàn)的「涌現(xiàn)能力」。

目前，該研究成果已被頂級學(xué)術(shù)會(huì)議 SIGGRAPH 2026 接收，項(xiàng)目已開源。

An overview of the Audio-Omni framework and its capabilities.

• 項(xiàng)目主頁：https://zeyuet.github.io/Audio-Omni/
• 論文地址：https://arxiv.org/pdf/2604.10708
• 開源代碼：https://github.com/ZeyueT/Audio-Omni
• 開源模型：https://huggingface.co/HKUSTAudio/Audio-Omni

效果展示

無論是基礎(chǔ)的跨模態(tài)生成，還是精細(xì)的指令編輯，亦或是復(fù)雜的邏輯推理，Audio-Omni 都能在單一模型中輕松搞定。

1. 多模態(tài)音頻生成

在常規(guī)生成任務(wù)上，Audio-Omni 在多個(gè)基準(zhǔn)測試中達(dá)到 SoTA 水平，支持多種模態(tài)控制：

• 文生音頻 (T2A)

A telephone dials twice, followed by the sound of glass shattering.

• 文生音樂 (T2M)

Compose a bright jazz swing instrumental with walking bass, brushed drums, and a lively horn melody.

Create a cheerful acoustic folk song accompaniment with strummed guitar, light percussion, and a whistling-style lead melody.

• 視頻配音 (V2A)

視頻地址：https://mp.weixin.qq.com/s/yBgZVzS28-WnG2KzQYAR0w?click_id=21

• 視頻配樂 (V2M)

視頻地址：https://mp.weixin.qq.com/s/yBgZVzS28-WnG2KzQYAR0w?click_id=21

• 文本到語音合成 (TTS)

The alchemist erased the circle in the sand, and the snake slithered away among the rocks.

2. 指令級靈活音頻編輯

前 10s 是輸入音頻，后 10s 是編輯后的結(jié)果：

• 添加 (Add)：在原有場景音中自然融入新元素。

Prompt: Add the sound of'skateboarding' to the input audio.

Input

Output

• 移除 (Remove)：剝離環(huán)境中的指定聲音。

Prompt: Remove the sound of 'female singing' from the input audio.

Input

Output

• 提取 (Extract)：精準(zhǔn)提取混音中的特定聲源。

Prompt: Extract the sound of 'ambulance siren' from the input audio.

Input

Output

• 風(fēng)格遷移 (Style Transfer)：改變物體的音色或整體環(huán)境風(fēng)格，同時(shí)精準(zhǔn)保留原始音頻的時(shí)序節(jié)奏與音高（Pitch）走向。

Prompt: Change the sound of 'dog barking' to 'hammering'.

Input

Output

Prompt: Change the sound of 'playing electric guitar' to 'playing saxophone'.

3. MLLM 賦予的「繼承能力」（Inherited Capabilities）

得益于獨(dú)特的架構(gòu)設(shè)計(jì)，Audio-Omni 完美繼承了凍結(jié)的 MLLM 內(nèi)部的世界知識，展現(xiàn)出了傳統(tǒng)音頻生成模型難以具備的推理與認(rèn)知能力

• 知識增強(qiáng)生成（Knowledge-Augmented Generation）

當(dāng)你在提示詞里寫下「齊柏林飛艇（Led Zeppelin）樂隊(duì)的 John Bonham 所演奏樂器的聲音」 時(shí)，大多數(shù)常規(guī)模型會(huì)因?yàn)槿狈?yīng)文本與音頻的直接配對而生成失敗。但 Audio-Omni 能夠自行推理出該樂器是「架子鼓」，并直接合成出極具辨識度的硬核鼓點(diǎn)！

Prompt:The sound of the instrument that John Bonham played in Led Zeppelin.

• 上下文生成（In-Context Generation）

給定一段簡單的鋼琴錄音，并輸入指令「生成一段不斷累積緊張感的電影配樂」，模型能精準(zhǔn)提取原音頻的音色，并創(chuàng)作出全新的旋律。

• 零樣本跨語言控制（Cross-Lingual Control）

盡管模型訓(xùn)練時(shí)主要使用英文指令，但由于 MLLM 的多語言底子，你可以直接用中文、法語、德語、日語輸入指令，Audio-Omni 依然能生成毫不遜色的高保真音頻。

4. 自然解鎖的零樣本語音生成

通過訓(xùn)練時(shí)的掩碼（Masking）策略，Audio-Omni 可以在不進(jìn)行特定任務(wù)微調(diào)的情況下，直接解鎖零樣本音色轉(zhuǎn)換以及語音編輯能力

架構(gòu)揭秘：High/Low Level 混合條件控制策略

讓一個(gè)模型同時(shí)勝任「理解、生成、編輯」和「音、樂、語」所有領(lǐng)域，最大的挑戰(zhàn)在于如何處理復(fù)雜且存在差異的控制信號。單純的交叉注意力（Cross-Attention）無法做到高精度對齊，而全部拼接（Concatenation）又會(huì)破壞語言模型的語義空間。

為此，研究團(tuán)隊(duì)提出了一種優(yōu)雅的解耦架構(gòu)與雙流混合條件策略（Hybrid Conditioning Strategy）

1. 理解核心：采用凍結(jié)的預(yù)訓(xùn)練多模態(tài)大模型（Qwen2.5-Omni-3B），保留其所有的世界知識和推理能力。

2. 生成核心：一個(gè)具有 3B 參數(shù)的可訓(xùn)練擴(kuò)散生成器（DiT），結(jié)合 Rectified Flow 目標(biāo)函數(shù)負(fù)責(zé)高保真音頻合成。

3. 混合條件注入

• 高層語義流（High-Level Semantic stream）：包含 MLLM 提取的多模態(tài)特征和轉(zhuǎn)錄文本。這些特征被當(dāng)作全局指令向?qū)Вㄟ^交叉注意力（Cross-attention）注入 DiT，賦予模型極大的語義靈活度。
• 底層信號流（Low-Level Signal stream）：包含 Mel 頻譜特征（用于音色 / 編輯參考）和視頻同步特征（用于音畫對齊）。這些特征與輸入的噪聲隱變量進(jìn)行通道級拼接（Channel-wise Concatenation），從而為模型注入細(xì)粒度的時(shí)序約束，實(shí)現(xiàn)對生成內(nèi)容的高精度對齊與結(jié)構(gòu)把控。

這一「宏觀靠注意力，微觀靠拼接」的設(shè)計(jì)，徹底打通了音頻全能生成的壁壘。另外，為了激發(fā)上述的零樣本語音能力，團(tuán)隊(duì)在訓(xùn)練階段對語音提示詞的 Mel 頻譜進(jìn)行隨機(jī)掩碼，逼迫模型學(xué)會(huì)從上下文中推理音色和內(nèi)容，從而自然習(xí)得了音色轉(zhuǎn)換和語音編輯能力。

數(shù)據(jù)破局：

構(gòu)建百萬級指令音頻編輯數(shù)據(jù)集 AudioEdit

在視覺領(lǐng)域，大規(guī)模數(shù)據(jù)集徹底引爆了圖像編輯；而在音頻領(lǐng)域，長期缺乏這樣的指令成對數(shù)據(jù)。目前基于合成的管線往往存在明顯的「合成感」，難以應(yīng)對真實(shí)世界的復(fù)雜聲學(xué)環(huán)境。

研究團(tuán)隊(duì)為此構(gòu)建了包含超 100 萬高質(zhì)量樣本的指令音頻編輯數(shù)據(jù)集 ——AudioEdit

數(shù)據(jù)處理流水線圖

為了兼顧數(shù)據(jù)的真實(shí)聲學(xué)保真度與超大規(guī)模多樣性，團(tuán)隊(duì)設(shè)計(jì)了雙管齊下的混合流水線：

• 真實(shí)數(shù)據(jù)挖掘分支（Real Data Branch）：從 VGGSound 等真實(shí)世界視頻入手，利用大模型（Gemini 2.5 Pro）識別核心發(fā)聲物，并調(diào)用最新的 SAM-Audio 進(jìn)行精準(zhǔn)音源分離（Source Separation）。通過嚴(yán)格的多階段 VAD 和 CLAP 語義對齊過濾，提取出極其純凈的「原始 - 編輯」音頻對。
• 程序化合成數(shù)據(jù)分支（Synthesis Data Branch）：利用 Scaper 工具包，將不同的前景音和背景音進(jìn)行音高、時(shí)長、信噪比的隨機(jī)混合，批量制造大規(guī)模的精準(zhǔn)標(biāo)注數(shù)據(jù)。

在 AudioEdit 的加持下，Audio-Omni 擁有了能夠應(yīng)對多項(xiàng)音頻編輯任務(wù)的能力。

Insight：

最后一層特征未必更適合跨模態(tài)合成

在探索 MLLM 與 DiT 的連接方式時(shí)，研究團(tuán)隊(duì)進(jìn)行了一系列消融實(shí)驗(yàn)，并得出了一個(gè)極具啟發(fā)性的結(jié)論：

對于音頻生成任務(wù)，直接使用 MLLM 最后一層（Last Layer, -1）或復(fù)雜的 Query 機(jī)制效果并不理想，反而使用倒數(shù)第二層（Penultimate Layer, -2）的特征，能取得顯著更優(yōu)的表現(xiàn)。

團(tuán)隊(duì)深入分析認(rèn)為：MLLM 的最后一層特征為了迎合下一詞預(yù)測（Next-token prediction）的訓(xùn)練目標(biāo)，往往變得過于「文本特化」，在這個(gè)過程中，大量豐富的、未壓縮的聲學(xué)細(xì)節(jié)和視覺語義被丟棄了。

而倒數(shù)第二層則像一個(gè)原生態(tài)的信息蓄水池，它既完成了高度抽象的語義理解，又保留了足以讓 DiT 合成高保真音頻的密集底層細(xì)節(jié)。這也揭示了：在將 LLM 接入高保真生成模型時(shí)，避免底層信息的丟失比設(shè)計(jì)復(fù)雜的注意力查詢機(jī)制更為關(guān)鍵。

項(xiàng)目已開源

Audio-Omni 已在 GitHub 和 Hugging Face 上開源，包括代碼和模型權(quán)重。開源以來，Audio-Omni 在Hugging Face 全模態(tài)（Any-to-Any）模型熱榜(https://huggingface.co/models?pipeline_tag=any-to-any)上持續(xù)位列Top 5，受到了社區(qū)的廣泛關(guān)注與好評。

結(jié)語

Audio-Omni 的問世，證明了通過單一框架解決跨域音頻任務(wù)的可行性，打破了理解、生成和編輯之間的技術(shù)壁壘。其展現(xiàn)出的強(qiáng)大推理與零樣本控制能力，為后續(xù)工作提供了未來通用生成式音頻人工智能（Universal Generative Audio Intelligence）的演進(jìn)方向。