پژوهشگران چارچوب هوش مصنوعی AudioX را برای تولید صدا و موسیقی از متن، ویدیو و فایلهای صوتی معرفی کردند. این چارچوب با استفاده از ماژول ادغام تطبیقی چندوجهی (MAF) ورودیهای نامتجانس را بهتر ترکیب میکند. برای آموزش مدل، دیتاستی با بیش از ۷ میلیون نمونه به نام IF-caps گردآوری شد. AudioX در سه نسخه منتشر شده است: مدل پایه، نسخه مجهز به MAF و نسخه پیشرفتهتر با MAF-MMDiT. این مدل در وظایف متن به صدا، متن به موسیقی و پیروی از دستورهای پیچیده عملکرد خوبی دارد. کد منبع و وزنهای مدل برای پژوهشگران در دسترس است.