CassetteAI

什么是 CassetteAI？

CassetteAI 是面向音乐、音效和语音的实时生成式音频产品。它通过统一的 API 和 SDK 提供这些模态，重点面向需要在边缘硬件上或通过托管 API 为开发者提供低延迟输出的场景。

该产品定位于将音频直接创建到应用中的生产工作流，而不是在单独的编辑工具中制作。音乐和音效已上线，文本转语音功能标注为即将推出。计费按输出分钟数或每次生成计量，而不是采用按席位计费的套餐。

CassetteAI 能做什么？

基于提示词的音乐生成

根据情绪、流派、速度、调性或参考内容等提示词生成自适应音乐。网站表示，音乐曲目会在用户游玩时流式传输到应用中，时长可为 1 至 4 分钟，并提供 44.1 kHz 立体声输出。

按需生成音效

根据自然语言事件描述创建音效，例如关门声、强化道具音效或环境音。CassetteAI 表示，音效可以安全循环、逐帧重新生成，并可在约 1 秒内渲染最长 30 秒的音频。

统一的 SDK 和 API 模式

在不同模态间使用统一的 API 形式，只需在音乐、音效和 TTS 之间切换模型 ID。网站展示了 JavaScript、Python 和 cURL 中的 `fal.subscribe()` 示例。

低延迟流式传输

支持低首样本延迟的实时输出和流式响应。主页列出的数据为：在边缘硬件上首样本延迟为 23 毫秒，流式响应低于 50 毫秒。

面向生产的音频格式

以 44.1 kHz 立体声生成参考级音频输出，并以 `.wav` 格式下载。网站表示，这符合 DAW 的预期，并能保持适用于生产环境的输出一致性。

使用场景

“游戏和交互式应用音乐”

为游戏或交互式应用添加自适应背景音乐，让曲目能够随会话变化，并在用户游玩时流式传输到体验中。

“产品事件的声音设计”

为 UI 操作、游戏事件或媒体工具生成简短而具体的声音，包括可安全循环的环境音效和一次性事件音效。

“开发者集成”

通过 JavaScript、Python 或 cURL 在应用代码中使用 API，将音频生成接入现有流程，而无需转移到单独的工作室工作流。

“低延迟音频工作流”

构建需要低首样本延迟和快速响应的实时音频功能，例如实时创作者工具、无障碍工具或基于浏览器的体验。

“计划中的语音生成”

通过关注 TTS 候补名单，为语音功能做好准备，并为未来的文本转语音版本沿用相同的 API 形式。

常见问题

如何在项目中使用 CassetteAI？

CassetteAI 为音乐、音效和 TTS 提供统一 API。网站表示，开发者 API 支持 JavaScript、Python 和 cURL；对于无法在设备端访问的开发者，也提供托管 API。

生成速度有多快？

音乐生成据称可在 2 秒内返回 30 秒样本，并在 10 秒内返回完整的 3 分钟曲目；音效生成则可在约 1 秒处理时间内渲染最长 30 秒的音频。

CassetteAI 的费用是多少？

网站介绍的是按使用量计费：音乐按每个输出分钟 0.02 美元计费，音效按每次生成 0.01 美元计费。定价页面还表示，没有月度承诺或开发者席位费用。

CassetteAI 可以在设备上运行吗？

主页和定价文本均表明，该产品支持在边缘硬件或设备上运行，同时也提供托管 API。关于页面表示，模型可以放入你的应用程序包中，并强调低延迟的流式响应。

文本转语音现在可以使用吗？

网站表示 TTS 模型即将推出，并提到了候补名单。因此，音乐和音效是当前已上线的模态，而文本转语音仍在发布过程中。