Google: Lyria 3 Clip Preview

Google: Lyria 3 Clip Preview は Google の音楽生成モデルで、Lyria 3 ファミリーの一部です。Gemini API を通じて利用でき、Google は Lyria 3 を自社の音楽生成モデル群と説明しています。このモデルは audio カテゴリに属し、同時に text 機能も備えているため、純粋なテキストモデルではなくマルチモーダル生成器として動作します。短い音楽クリップを生成する必要があるツールを構築しているなら、これがその用途に向けた Google の提供製品です。

このモデルはテキストと画像の入力を受け付け、テキストと音声の両方を返すことができます。つまり、スタイル、ムード、編成を記述したプロンプトを参照画像と組み合わせることができ、出力には生成された音声とテキストを含められます。コンテキストウィンドウは 1,048,576 トークンで、長いプロンプト、詳細な説明、補足資料を 1 回のリクエストに収めるのに十分な大きさです。最大出力は 65,536 トークンです。このモデルは明確にクリップ生成器です。Google 自身の説明が 30 秒 duration のクリップに言及しているため、フルレングスのトラックではなく、その短い形式の出力を想定してください。

実用的なユースケースは、クリップの長さと画像入力から導かれます。動画用の 30 秒の背景音、ポッドキャストのイントロとアウトロ、ゲームやアプリの環境音、ソーシャルメディアコンテンツを生成できます。画像を提供できるため、カバーアート、ムードボード、ストーリーボードのフレームから生成を誘導でき、視覚的な方向性がすでに存在するワークフローに適しています。テキスト出力は、説明的または補助的なコンテンツをパイプラインに返せます。完成した制作マスターではなく、反復して検討できる素早い音楽アイデアを必要とするチームが自然な適合先です。

api14 を通じた呼び出しは、他の OpenAI 互換エンドポイントと同じように機能します。リクエストでモデル id "google/lyria-3-clip-preview" を使用してください。サポートされるパラメータは max_tokens、response_format、seed、temperature、top_p です。再現可能な生成が必要なときは seed を、変動を制御するには temperature と top_p を、返される出力を整えるには response_format を、生成を制限するには max_tokens を使用します。エンドポイントは OpenAI 互換であるため、既存の SDK とクライアントコードは書き換えなしで api14 を指すことができます。

留意すべき制約の 1 つは duration です。このモデルは 30 秒のクリップを生成するため、プロジェクトがより長い連続した音楽を必要とする場合は、複数の生成をつなぎ合わせるか、別の選択肢を検討する必要があります。また、これは Google からのプレビューリリースであり、長期的な安定性の保証が必要な場合は考慮する価値があります。短い、プロンプト駆動または画像誘導の音楽クリップには、直接適合します。