Text-to-music
El text-to-music (texto a música) es la tarea de generar audio musical a partir de una descripción escrita, como el género, el estado de ánimo, los instrumentos y el tempo. Algunos sistemas también escriben y cantan letras.
También llamado: AI music generation, music generation, AI song generator
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Describes lo que quieres, por ejemplo "piano lo-fi lento con lluvia suave, 70 bpm", y el modelo devuelve un clip de audio. Servicios centrados en canciones como Suno y Udio pueden generar temas completos con voz a partir de un prompt y una letra.
Cómo funciona
Dominan dos familias. Los enfoques basados en modelos de lenguaje convierten el audio en tokens discretos con un códec neuronal y luego predicen los tokens uno a uno, como un modelo de texto predice palabras. MusicGen de Meta es un ejemplo abierto: un único transformer que trabaja con varios flujos de tokens de audio y puede condicionarse con texto o con una melodía. Los enfoques de difusión, como Stable Audio 3 Medium, generan audio eliminando ruido, de forma parecida a un modelo de difusión de imágenes.
Usos
Música de fondo para vídeos, podcasts y videojuegos, maquetas rápidas para compositores y variaciones sobre un tema. Algunas herramientas pueden alargar un clip, separar pistas o seguir una melodía tarareada.
Términos relacionados
El text-to-music es pariente del text-to-speech: ambos generan audio, pero los modelos de voz buscan palabras claras y los de música buscan ritmo, armonía y timbre.
Límites
Las piezas largas pueden perder estructura, y las letras pueden salir confusas. Los derechos no están resueltos: entrenar con grabaciones protegidas por copyright ha dado lugar a demandas, y las condiciones para el uso comercial de la salida varían según el servicio, así que léelas antes de publicar.
Términos relacionados
- Text-to-speech
- El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.
- Modelo de difusión
- Un modelo de difusión (diffusion model) es un modelo generativo que aprende a convertir ruido aleatorio en datos, como una imagen, eliminando un poco de ruido cada vez a lo largo de muchos pasos.
- Modelo autorregresivo
- Un modelo autorregresivo genera una secuencia pieza a pieza, prediciendo cada token siguiente a partir de todos los tokens anteriores y volviendo a introducir esa salida. La mayoría de los modelos de lenguaje grandes funcionan así.
- Clonación de voz
- La clonación de voz (voice cloning) es el uso de IA para que un sistema de text-to-speech hable con la voz de una persona concreta, aprendida a partir de una grabación de esa persona. Algunos sistemas solo necesitan una muestra corta.
- Licencia del modelo
- La licencia del modelo (model license) son los términos legales bajo los que se pueden usar, modificar y compartir los pesos de un modelo, y a veces su código y sus datos. Van desde licencias abiertas permisivas hasta licencias no comerciales o restringidas a medida.