发布PlanAudio：文本直接统一生成语音与音效

arXiv 论文提出端到端框架 PlanAudio，将无约束的自由文本提示直接映射为融合语音与音效的统一音频，无需中间提示预处理。该框架在单一自回归模型中引入潜在规划，先预测音频布局再合成声学 token，并构建大规模训练语料和 FUAG 基准。实验显示单个 PlanAudio 在语音与音效混合生成上超过现有流水线和统一基线，论文已被 NeurIPS 2026 接收。