近年来，包括语言模型在内的生成式人工智能模型取得了巨大进步，特别是ChatGPT的发布，让大家看到了大语言模型的魅力。无论是计算机视觉，还是nlp领域的文本描述生成各种图像和视频，到执行机器翻译，文本生成等等大模型上，其都取得了令人意想不到的发展。但音乐与音频上似乎总是有点落后。是否可以使用人工智能技术来合成不同的音乐或者音效？
AudioCraft 包含三个模型：MusicGen、AudioGen和EnCodec。
MusicGen：使用 Meta 拥有且专门授权的音乐进行训练，根据用户输入的文本生成音乐。
AudioGen 使用公共音效进行训练，根据用户输入的文本生成音频音效。
EnCodec 解码器，它可以用更少的音损生成更高质量的音乐，类似音频压缩技术。EnCodec 是一种有损神经编解码器，经过专门训练，可以压缩任何类型的音
