Google: Lyria 3 Pro Preview

Google: Lyria 3 Pro Previewは、Googleの音楽生成モデルであり、音楽生成モデルのLyria 3ファミリーの一部です。Gemini APIを通じて利用でき、api14ではaudioカテゴリに掲載されており、textも関連カテゴリとして記載されています。モデルidはgoogle/lyria-3-pro-previewで、プロバイダーによるプレビューリリースです。

このモデルはテキストと画像の入力を受け付け、テキストと音声の出力を生成できます。コンテキストウィンドウは1,048,576トークンで、最大出力は65,536トークンです。プロバイダーの説明によると、Lyria 3は48kHzの高品質音声を生成し、フルレングスの楽曲がサポートされています。この非常に大きなコンテキストウィンドウと音声出力の組み合わせにより、説明的または構造的な詳細を多く含むプロンプトや、視覚的な参照が生成される音楽に影響を与える画像条件付きリクエストに適しています。

実用的な用途は、これらの機能から直接導かれます。テキスト記述からフルレングスの楽曲を生成したり、画像から音楽的なアイデアをスケッチしたり、単一の応答でテキストとともに音声を生成したりできます。入力側がテキストだけでなく画像も受け付けるため、このモデルはムードボード、アートワーク、参照用のスチル画像が結果のトラックを方向付けることを意図したワークフローに適合します。また、大きなコンテキストウィンドウにより、アレンジ、編成、構造に関する長く詳細なブリーフをトリミングせずに渡すことができます。

このモデルは、モデルid google/lyria-3-pro-previewを使用して、api14のOpenAI互換APIを通じて呼び出します。サポートされているリクエストパラメータは、max_tokens、response_format、seed、temperature、top_pです。インターフェースがOpenAI互換であるため、既存のOpenAIクライアントをapi14に向け、modelフィールドをそのidに設定し、サポートされているパラメータのいずれかを渡して、出力長、応答フォーマット、seedによる決定性、temperatureとtop_pによるサンプリング動作を制御できます。

これはプレビューモデルであるため、動作が変更される可能性があることに留意する価値があります。また、汎用のテキストアシスタントではなく音声生成モデルであるため、タスクが音声出力を伴わない通常のテキスト生成や推論である場合、テキストに焦点を当てたモデルの方が適している可能性があります。タスクがテキストまたは画像プロンプトからの音楽または音声生成である場合、このモデルが該当する選択肢です。