Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

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.

Fontes