统一音频生成（T2A/T2M/V2A等）
AudioX 是香港科技大学和月之暗面联合提出的统一扩散变压器模型，专门用于从任意内容生成音频和音乐。模型能处理多种输入模态，包括文本、视频、图像、音乐和音频，生成高质量的音频输出。核心创新在于多模态掩码训练策略，通过随机掩码输入模态，迫使模型从不完整的输入中学习，增强跨模态表示能力。