Google: Lyria 3 Pro Preview

Google: Lyria 3 Pro Preview é um modelo de geração de música do Google, parte da família Lyria 3 de modelos de geração de música. Está disponível através da Gemini API e está listado em api14 na categoria de áudio, com texto também indicado como uma categoria relacionada. O id do modelo é google/lyria-3-pro-preview, e é um lançamento de pré-visualização do fornecedor.

O modelo aceita entradas de texto e imagem e pode produzir saídas de texto e áudio. A sua janela de contexto é de 1.048.576 tokens, e a saída máxima é de 65.536 tokens. De acordo com a descrição do fornecedor, o Lyria 3 gera áudio de alta qualidade a 48kHz, e são suportadas músicas de duração completa. Essa combinação de uma janela de contexto muito grande e saída de áudio torna-o adequado para prompts que transportam muitos detalhes descritivos ou estruturais, e para pedidos condicionados por imagem, onde uma referência visual informa a música gerada.

Os usos práticos decorrem diretamente dessas capacidades. Pode gerar músicas de duração completa a partir de descrições textuais, esboçar ideias musicais a partir de uma imagem, ou produzir áudio juntamente com texto numa única resposta. Como o lado da entrada aceita imagens, bem como texto, o modelo encaixa-se em fluxos de trabalho onde um mood board, uma obra de arte ou uma imagem de referência se destinam a orientar a faixa resultante. A grande janela de contexto também significa que briefings longos e detalhados sobre arranjo, instrumentação ou estrutura podem ser introduzidos sem serem cortados.

Chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo google/lyria-3-pro-preview. Os parâmetros de pedido suportados são max_tokens, response_format, seed, temperature e top_p. Como a interface é compatível com OpenAI, pode apontar um cliente OpenAI existente para a api14 e definir o campo model para esse id, depois passar qualquer um dos parâmetros suportados para controlar o comprimento da saída, a formatação da resposta, o determinismo através de seed, e o comportamento de amostragem através de temperature e top_p.

Vale a pena notar que este é um modelo de pré-visualização, pelo que o comportamento pode mudar. É também um modelo de geração de áudio e não um assistente de texto geral, por isso, se a sua tarefa for geração de texto comum ou raciocínio sem saída de áudio, um modelo focado em texto é provavelmente a melhor opção. Se a sua tarefa for geração de música ou áudio a partir de prompts de texto ou imagem, este modelo é a escolha relevante.