Woosh

法律约束与适用场景： 本项目（Woosh）及其模型权重受 CC BY-NC-4.0 协议约束，严禁用于任何商业获利目的。

• 允许场景： 仅限于学术研究、个人兴趣学习、技术测试及非营利性的公开演示。
• 禁止场景： 严禁用于付费视频制作、商业广告、集成至收费软件/平台、或任何直接或间接产生经济利益的商业活动。 如有商业化需求，请务必联系版权方 Sony Research。

Woosh 是索尼 AI（Sony Research） 研发的开源音效生成基础模型，专注文本转音效、视频转音效两大核心场景，面向内容创作者、开发者与普通用户，可快速生成高质量、高真实感的环境音、动作音、特效音等音频素材。

核心功能

1. 文本生成音效（T2A） 输入文字描述（如“雨声”“脚步声”“爆炸”），模型自动生成对应逼真音效。
2. 视频生成音效（V2A） 上传视频，模型自动匹配画面生成同步音效，支持搭配文字提示精准控制风格。
3. 基础组件

• 音频编解码器（Woosh‑AE）：高质量压缩与还原音频，保障生成音质。
• 文本‑音频对齐模型（Woosh‑CLAP）：让文字描述精准匹配对应声音。

重要提醒

目前该项目仅支持英文提示词，暂不支持中文提示词输入。

技术底层

基于潜在扩散模型（LDM）、流模型（Flow Matching） 与多模态对齐技术，兼顾生成质量与速度，提供本地推理、Gradio 网页演示、API 服务三种使用方式。

适用场景

短视频配音、游戏音效、影视后期、播客制作、互动媒体、AI 应用开发等。

项目特点

• 官方开源：索尼 AI 研发，代码与模型权重公开可下载。
• 双能力覆盖：文本/视频均可生成音效，适配不同创作需求。
• 易用性强：支持本地运行、网页 Demo、API 调用，零基础也能快速上手。
• 音质出色：专业级音效生成，满足内容创作与工业级使用。