Woosh: Um Modelo de Base para Efeitos Sonoros
Woosh: A Sound Effects Foundation Model
April 2, 2026
Autores: Gaëtan Hadjeres, Marc Ferras, Khaled Koutini, Benno Weck, Alexandre Bittar, Thomas Hummel, Zineb Lahrici, Hakim Missoum, Joan Serrà, Yuki Mitsufuji
cs.AI
Resumo
A comunidade de pesquisa em áudio depende de modelos generativos abertos como ferramentas fundamentais para desenvolver novas abordagens e estabelecer benchmarks. Neste relatório, apresentamos o Woosh, modelo de base para efeitos sonoros lançado publicamente pela Sony AI, detalhando sua arquitetura, processo de treinamento e uma avaliação comparativa com outros modelos abertos populares. Otimizado para efeitos sonoros, fornecemos (1) um modelo codificador/decodificador de áudio de alta qualidade e (2) um modelo de alinhamento texto-áudio para condicionamento, juntamente com (3) modelos generativos de texto-para-áudio e (4) vídeo-para-áudio. Modelos destilados de texto-para-áudio e vídeo-para-áudio também estão incluídos no lançamento, permitindo operação com recursos limitados e inferência rápida. Nossa avaliação em dados públicos e privados mostra desempenho competitivo ou superior para cada módulo quando comparado a alternativas abertas existentes como StableAudio-Open e TangoFlux. O código de inferência e os pesos dos modelos estão disponíveis em https://github.com/SonyResearch/Woosh. Amostras de demonstração podem ser encontradas em https://sonyresearch.github.io/Woosh/.
English
The audio research community depends on open generative models as foundational tools for building novel approaches and establishing baselines. In this report, we present Woosh, Sony AI's publicly released sound effect foundation model, detailing its architecture, training process, and an evaluation against other popular open models. Being optimized for sound effects, we provide (1) a high-quality audio encoder/decoder model and (2) a text-audio alignment model for conditioning, together with (3) text-to-audio and (4) video-to-audio generative models. Distilled text-to-audio and video-to-audio models are also included in the release, allowing for low-resource operation and fast inference. Our evaluation on both public and private data shows competitive or better performance for each module when compared to existing open alternatives like StableAudio-Open and TangoFlux. Inference code and model weights are available at https://github.com/SonyResearch/Woosh. Demo samples can be found at https://sonyresearch.github.io/Woosh/.