Text-to-music
Text-to-music (texto para música) é a tarefa de gerar áudio musical a partir de uma descrição escrita, como gênero, clima, instrumentos e andamento. Alguns sistemas também escrevem e cantam letras.
Também chamado: AI music generation, music generation, AI song generator
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Você descreve o que quer, por exemplo "piano lo-fi lento com chuva suave, 70 bpm", e o modelo devolve um trecho de áudio. Serviços focados em canções, como Suno e Udio, conseguem gerar faixas completas com vocais a partir de um prompt e de uma letra.
Como funciona
Duas famílias dominam. As abordagens de modelo de linguagem transformam o áudio em tokens discretos com um codec neural e depois preveem os tokens um a um, como um modelo de texto prevê palavras. O MusicGen, da Meta, é um exemplo aberto: um único transformer que trabalha com vários fluxos de tokens de áudio e pode ser condicionado por texto ou por uma melodia. As abordagens de difusão, como o Stable Audio 3 Medium, geram áudio removendo ruído, de forma parecida com um modelo de difusão de imagens.
Usos
Música de fundo para vídeos, podcasts e jogos, demos rápidas para compositores e variações sobre um tema. Algumas ferramentas conseguem estender um trecho, separar stems ou seguir uma melodia cantarolada.
Termos relacionados
O text-to-music é parente do text-to-speech: os dois geram áudio, mas os modelos de fala buscam palavras claras, enquanto os de música buscam ritmo, harmonia e timbre.
Limites
Peças longas podem perder a estrutura, e as letras podem sair truncadas. Os direitos estão indefinidos: o treinamento com gravações protegidas por copyright gerou processos, e os termos de uso comercial do resultado variam por serviço, então leia-os antes de publicar.
Termos relacionados
- Text-to-speech
- Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.
- Modelo de difusão
- Um modelo de difusão (diffusion model) é um modelo generativo que aprende a transformar ruído aleatório em dados, como uma imagem, removendo um pouco de ruído por vez ao longo de muitos passos.
- Modelo autorregressivo
- Um modelo autorregressivo gera uma sequência um pedaço por vez, prevendo cada próximo token a partir de todos os tokens anteriores e realimentando essa saída como entrada. A maioria dos grandes modelos de linguagem funciona assim.
- Clonagem de voz
- A clonagem de voz (voice cloning) é o uso de IA para fazer um sistema de text-to-speech falar com a voz de uma pessoa específica, aprendida a partir de uma gravação dela. Alguns sistemas precisam só de uma amostra curta.
- Licença de modelo
- Uma licença de modelo (model license) são os termos legais sob os quais os pesos de um modelo, e às vezes seu código e dados, podem ser usados, modificados e compartilhados. Os termos vão de licenças abertas permissivas a licenças não comerciais ou restritas personalizadas.