iMyFone VoxBox 对比 MusicLM

iMyFone VoxBox 利用包含 3500 多种 AI 语音、覆盖 250 多种语言的语音库，将文本转换为语音，并将克隆、编辑和转录功能集成在一个桌面或移动应用中。您可以选择语音，调整音调、速度、停顿和情绪（如高兴或愤怒），并导出用于视频、播客、游戏或 IVR 提示的音频。

浏览器 TTS 标签适合快速演示，但 VoxBox 面向需要本地 10 合 1 工作流程的创作者：从短样本进行语音克隆、语音转文本、降噪、变声、文本转歌和视频转音频，无需管理多个订阅。克隆声称具有 98% 的保真度，并支持多语言一次上传。

免费套餐包括 2000 个 TTS 字符以及基础录音和格式转换。付费 TTS 计划月费 15.95 美元，年费 44.95 美元，终身 89.95 美元，享有完整语音访问权限，Clone VIP 级别起价为每月 16.95 美元。提供 Windows、Mac、Android 和 iOS 版本，支持 30 天退款保证。

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。