# Generowanie muzyki i efektów dźwiękowych

EN: **Music and sound generation** · id `audiogen` · aliases: audio generation, music generation, text-to-audio, text-to-music, sound effect generation, generowanie muzyki, generowanie dźwięku, tekst na audio, synteza dźwięku

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › Generowanie muzyki i efektów dźwiękowych

## Description

- PL: Modele tworzące muzykę, efekty dźwiękowe lub tło akustyczne z opisu tekstowego (czasem z melodią lub tekstem piosenki), zwykle jako modele językowe na dyskretnych tokenach audio albo dyfuzja latentna.
- EN: Models that create music, sound effects or ambience from a text prompt (sometimes with a melody or lyrics), usually as language models over discrete audio tokens or as latent diffusion.

## In one sentence

- PL: To tworzenie muzyki albo odgłosów, takich jak deszcz czy kroki, na podstawie opisu słownego.
- EN: This creates music or sounds, such as rain or footsteps, from a written description.

## Problem it solves

- PL: Znalezienie lub nagranie pasującej muzyki i efektów do filmu czy podcastu zajmuje czas, a licencje bywają kosztowne.
- EN: Finding or recording the right music and effects for a video or podcast takes time, and licences can be costly.

## What it does

- PL: Uczy się powiązań między nagraniami i opisami, a podczas generowania stopniowo buduje dźwięk pasujący do wskazanej sceny.
- EN: It learns relationships between recordings and descriptions, then gradually builds audio that fits the requested scene.

## Everyday example

- PL: Do filmiku z wakacji wpisujesz „spokojna gitara akustyczna, szum morza” i dostajesz kilka pasujących podkładów do wyboru.
- EN: For a holiday video you type “calm acoustic guitar, sound of the sea” and get several fitting backing tracks to choose from.

## This concerns you if you…

- PL: potrzebujesz podkładu lub efektów do filmów i podcastów
- PL: tworzysz muzykę i szukasz nowych pomysłów
- PL: zastanawiasz się, czy usłyszany utwór napisał człowiek
- EN: need music or effects for videos and podcasts
- EN: make music and look for new ideas
- EN: wonder whether a track you hear was written by a person

## Keywords

MusicGen · AudioLDM · Stable Audio Open · ACE-Step · EnCodec · audio tokens · AudioCaps

## How it works

- PL: Warunki tekstowe lub muzyczne sterują generowaniem dyskretnych tokenów audio albo odszumianiem reprezentacji latentnej. Kodek neuronowy i dekoder zamieniają wynik na falę, z modelowaniem zależności rytmicznych oraz czasowych.
- EN: Text or musical conditions guide discrete audio-token generation or latent denoising. Neural codecs and decoders convert outputs into waveforms, modelling rhythmic and temporal dependencies.

## Limits

- PL: Długie nagrania mogą tracić strukturę i spójność. Kontrola słów, tempa oraz instrumentów zależy od modelu; artefakty kodeka i próbkowanie wpływają na jakość.
- EN: Long recordings can lose structure and consistency. Control over lyrics, tempo and instruments depends on models; codec artifacts and sampling affect quality.

## Key terms

- PL: **kodek neuronowy**: Model kompresujący dźwięk do reprezentacji i odtwarzający z niej falę.
- PL: **token audio**: Dyskretna jednostka kodująca fragment wyuczonej reprezentacji dźwięku.
- EN: **neural codec**: A model compressing audio into representations and reconstructing waveforms.
- EN: **audio token**: A discrete unit encoding part of a learned audio representation.

## Know first

- [Rodziny modeli generatywnych (Generative model families)](https://aiatlasgraph.com/t/generative.md)
- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)

## Examples

- PL: tekst→audio · tekst→muzyka · tokeny audio · dyfuzja latentna · MusicGen · AudioLDM · Stable Audio Open · ACE-Step · AudioCaps
- EN: text-to-audio · text-to-music · audio tokens · latent diffusion · MusicGen · AudioLDM · Stable Audio Open · ACE-Step · AudioCaps

## Related topics

Untyped, symmetric "see also" links.

- [Dyfuzja w przestrzeni ukrytej (Stable Diffusion) (Latent diffusion (Stable Diffusion))](https://aiatlasgraph.com/t/latentdiffusion.md)
- [Generowanie piksel po pikselu i próbka po próbce (PixelCNN, WaveNet) (Pixel- and sample-level autoregressive models (PixelCNN, WaveNet))](https://aiatlasgraph.com/t/pixelwavenet.md)
- [Synteza mowy / TTS (Text-to-speech)](https://aiatlasgraph.com/t/tts.md)

## Sources

- [Simple and Controllable Music Generation (MusicGen)](<https://arxiv.org/abs/2306.05284>) `musicgen-2023` · by Jade Copet, Felix Kreuk, Itai Gat, Tal Remez, David Kant, Gabriel Synnaeve, Yossi Adi, Alexandre Défossez · sponsored
- [AudioLDM: Text-to-Audio Generation with Latent Diffusion Models](<https://arxiv.org/abs/2301.12503>) `audioldm-2023` · by Haohe Liu, Zehua Chen, Yi Yuan, Xinhao Mei, Xubo Liu, Danilo Mandic, Wenwu Wang, Mark D. Plumbley
- [Stable Audio Open](<https://arxiv.org/abs/2407.14358>) `stable-audio-open-2024` · by Zach Evans, Julian D. Parker, CJ Carr, Zack Zukowski, Josiah Taylor, Jordi Pons · sponsored
- [ACE-Step: A Step Towards Music Generation Foundation Model](<https://arxiv.org/abs/2506.00045>) `ace-step-2025` · by Junmin Gong, Sean Zhao, Sen Wang, Shengyuan Xu, Joe Guo · sponsored
- [Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation (CLAP)](<https://arxiv.org/abs/2211.06687>) `laion-clap-2022` · by Yusong Wu, Ke Chen, Tianyu Zhang, Yuchen Hui, Marianna Nezhurina, Taylor Berg-Kirkpatrick, Shlomo Dubnov

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/audiogen · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30