AnyToSpeech 对比 MusicLM

AnyToSpeech是一个在线文本转语音平台，将书面内容转换成语音。你可以粘贴纯文本、上传PDF、提供网址链接，或者从图片中提取文本，然后得到自然声音的MP3文件。

该平台远超基础的TTS（文本转语音）功能。你可以制作PDF和文档有声书、旁白网页、进行语音转文字的转录、克隆你的声音（从短录音中学习）以及从主题简介或剧本生成双声道播客节目。PDF转换时会跳过页码、脚注和目录部分，保持听觉流畅。

AnyToSpeech提供数百种不同语言和口音的语音选择，以及大量免费分析工具，用于发音、口音检测和声音评分。移动应用在Google Play和Apple App Store上均有提供。

它适合创作者、作者、教育者以及任何希望听而非读的人。

MusicLM 是谷歌研究团队开发的音频生成模型，能够根据文本描述以 24 kHz 采样率创作音乐。公开示例页面提供了多种提示的样本片段，如街机游戏原声、雷鬼与电子舞曲融合以及轻松的爵士乐，还有跨时段风格变化的长篇故事模式生成。谷歌在论文发布的同时，公开了包含 5,500 对音乐与文本的 MusicCaps 数据集。

不同于只提供单一提示框的消费级应用，MusicLM 作为研究演示发布，展示了预生成样本，而非登录使用的产品。其核心技术是文本与旋律的联合条件控制：用户可以哼唱或吹口哨一段旋律，模型会根据文本描述将其重新演绎成新的音乐风格。故事模式则通过串联多个文本提示，使音乐在不同段落中演变。

MusicLM 是谷歌后续 Lyria 音乐模型的研究基础，但本页面仅供试听已发布示例，不支持交互式创作新曲。研究人员和音乐人关注其在长篇一致性、绘画到音乐的条件控制以及旋律迁移方面的表现，这些成果已在 2023 年的论文中记录。