Google: Lyria 3 Pro Preview

Google: Lyria 3 Pro Preview to model generowania muzyki od Google, część rodziny modeli do generowania muzyki Lyria 3. Jest dostępny przez Gemini API i jest wymieniony na api14 w kategorii audio, przy czym tekst jest również odnotowany jako kategoria powiązana. Identyfikator modelu to google/lyria-3-pro-preview i jest to wydanie preview od dostawcy.

Model przyjmuje dane wejściowe w postaci tekstu i obrazu, a może generować dane wyjściowe w postaci tekstu i dźwięku. Jego okno kontekstu wynosi 1 048 576 tokenów, a maksymalne wyjście to 65 536 tokenów. Zgodnie z opisem dostawcy Lyria 3 generuje dźwięk wysokiej jakości w 48 kHz i obsługiwane są pełnowymiarowe utwory. To połączenie bardzo dużego okna kontekstu i wyjścia audio sprawia, że model nadaje się do promptów zawierających dużo szczegółów opisowych lub strukturalnych oraz do żądań warunkowanych obrazem, w których referencja wizualna wpływa na generowaną muzykę.

Praktyczne zastosowania wynikają bezpośrednio z tych możliwości. Możesz generować pełnowymiarowe utwory na podstawie opisów tekstowych, szkicować pomysły muzyczne na podstawie obrazu lub tworzyć dźwięk wraz z tekstem w jednej odpowiedzi. Ponieważ strona wejściowa przyjmuje zarówno obrazy, jak i tekst, model pasuje do przepływów pracy, w których mood board, grafika lub kadr referencyjny mają kierować powstającym utworem. Duże okno kontekstu oznacza również, że długie, szczegółowe briefy dotyczące aranżacji, instrumentacji lub struktury można przekazać bez przycinania.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu google/lyria-3-pro-preview. Obsługiwane parametry żądania to max_tokens, response_format, seed, temperature i top_p. Ponieważ interfejs jest zgodny z OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i ustawić pole model na ten identyfikator, a następnie przekazać dowolny z obsługiwanych parametrów, aby kontrolować długość wyjścia, formatowanie odpowiedzi, determinizm przez seed oraz zachowanie próbkowania przez temperature i top_p.

Warto zauważyć, że jest to model preview, więc jego zachowanie może się zmienić. Jest to również model generowania dźwięku, a nie ogólny asystent tekstowy, więc jeśli Twoim zadaniem jest zwykłe generowanie tekstu lub rozumowanie bez wyjścia audio, model skupiony na tekście będzie prawdopodobnie lepszym wyborem. Jeśli Twoim zadaniem jest generowanie muzyki lub dźwięku na podstawie promptów tekstowych lub obrazowych, ten model jest właściwym wyborem.