List your company

Text-to-audio generation on AudioCaps (test)

0KL DivergenceGround Truth
-0.05840.33580.731.1242Apr 24, 2023Nov 2, 2023May 13, 2024Nov 21, 2024Jun 2, 2025Dec 11, 2025Jun 22, 2026

Evaluation results

MethodLinks
Ground Truth2026.040——00———————————————————————————————
GT2026.050—————53——————————————————00—————————
Tango-Full-FTInference GPU Memory=5.65GB, #Param=866M2025.120.95——212.537.750.56—————————————————————————————
Tango2-FullInference GPU Memory=5.65GB, #Param=866M2025.120.96——2.2813.798.720.58—————————————————————————————
Tango2Inference GPU Memory=5.65GB, #Param=866M2025.120.97——2.8314.518.790.58—————————————————————————————
IMPACTData=1700, # para=193M, Step=100, Latency=22.342026.051.063.474.381.2615.2510.570.372—————————————————————————————
AUDIODEARData=1700, # para=191M, Step=1, Latency=2.612026.051.063.274.272.7918.679.660.334—————————————————————————————
TangoInference GPU Memory=5.65GB, #Param=866M2025.121.08——1.4415.097.410.54—————————————————————————————
STAR-GEN (OURS)PARAMS=905M2026.061.09—————0.48————55.8————————————————————————
TANGO 2PARAMS=866M2026.061.11—————0.44————108.4————————————————————————
TANGO-FULL-FTDatasets=AS+AC+7 others, Dataset Size=1.2M, Text=true, #Params=866M2023.041.12———18.93———————————————————————————————
Tango 22025.101.12——2.6320.669.090.375—————————————————————————————
Tango 2Data=≈ 3333, # para=866M, Step=200, Latency=182.232026.051.123.424.072.6320.669.090.375—————————————————————————————
Tango 2Model Type=Specialized Models2026.061.12——2.8211.5510.650.568—————————————————————————————
AudioLDM-M-Full-FTInference GPU Memory=10.25GB, #Param=416M2025.121.14——1.5220.0390.54—————————————————————————————
AUDIOBOX SOUND2023.121.153.434.090.778.312.70.71—————————————————————————————
AUDIOBOX SOUNDmodel_category=Sound only models2023.121.15——0.778.312.70.71—————————————————————————————
AudioGANInference GPU Memory=1.34GB, #Param=28M2025.121.15——1.3812.669.630.49—————————————————————————————
TangoFluxGenerator Type=Bidirectional2026.011.16——2.8925.5413.75—————————————33.4331.3632.9434.6834.2835.05———————————
AudioMNTPData=1200, # para=193M, Step=1002026.051.16——1.6814.819.670.336—————————————————————————————
TangoFluxData=3700, # para=516M, Step=50, Latency=45.502026.051.18——2.3219.2412.430.382—————————————————————————————
AUDIOBOXmodel_category=Unified Models2023.121.19——1.110.1411.90.7—————————————————————————————
TangoFlux2026.051.19—————58——————————————————19.132.26—————————
Re-AudioLDM-LTraining Dataset=AudioCaps, Retrieval Info=Audio & Text, Retrieval Number=102023.091.2——1.37—7.3937.12—————————————————————————————
TANGO-full-FTfine-tuning=full2023.121.23.043.782.1918.478.80.56—————————————————————————————
TANGO-full-FTmodel_category=Sound only models2023.121.2——2.1918.478.80.56—————————————————————————————
Tango 2NFE=1002024.101.2——2.84——0.6873.4672.08—————————0.8—————————————————
Re-AudioLDM-LDataset=AudioCaps, Retrieval Info.=Audio & Text, Database & Retrieval No.=AC -> 102025.111.2————7.3937.12—————————————————————————————
TangoFlux-RAGDataset=AC+1 other, Retrieval Info.=Audio, Database & Retrieval No.=AS -> 12025.111.2———18.9812.8158.6—————————————————————————————
TangoFluxDataset=AC+1 other2025.111.21———19.2312.658.6—————————————————————————————
STAR-Gen w/ SAO-VAEPARAMS=905M2026.061.21—————0.44————67.4————————————————————————
AudioLDM2-L-FullInference GPU Memory=10.95GB, #Param=712M2025.121.22——2.9220.297.250.46—————————————————————————————
AUDIODEAR w/o Dist.Data=1700, # para=191M, Step=1, Latency=2.612026.051.22——3.8222.098.070.298—————————————————————————————
TANGOFLUXPARAMS=515M2026.061.22—————0.43————80.2————————————————————————
Re-AudioLDM-STraining Dataset=AudioCaps, Retrieval Info=Audio & Text, Retrieval Number=102023.091.23——1.4—7.3337.15—————————————————————————————
Tango-FullInference GPU Memory=5.65GB, #Param=866M2025.121.23——1.8720.945.140.5—————————————————————————————
Audio-AlpacaPreference Tuning=DPO2025.051.24——3.2—12.2772.36————————44.420.552.14——————————————————
Tango-Full-FT2026.011.24———15.648.780.291—————————————————————————————
Tango-FTTraining=Fine-tuned2026.041.24——2.6815.648.780.291—————————————————————————————
AudioLDM2-FullInference GPU Memory=8.17GB, #Param=346M2025.121.25——2.7418.58.080.46—————————————————————————————
AudioLDM-M-Full-FTDatasets=AS+AC+2 others, Dataset Size=3.3M, Text=false, #Params=416M2023.041.26———26.12———————————————————————————————
AudioLDM-M-Full-FTDatasets=AS+AC+2 others, Text=No, #Params=416M, Fine-tuned=Yes2023.041.2679.8576.842.5726.12———————————————————————————————
Re-AudioLDM-STraining Dataset=AudioCaps, Retrieval Info=Audio & Text, Retrieval Number=32023.091.27——1.48—7.3137.07—————————————————————————————
Siren + Plan-CriticGenerator Type=Unidirectional, Decoding=Plan-Critic-guided prefix search2026.011.27——1.9615.713.82—————————————36.4740.237.3534.7234.0932.59———————————
TangoFlux2026.011.27———20.6512.810.318—————————————————————————————
Tango2025.101.27——1.7324.427.70.315—————————————————————————————
FlashAudioNFE=24, Reflow (R)=true, One-step distillation (D)=false2024.101.28——1.18——0.65878.8676.98—————————0.054—————————————————
GenAUGenerator Type=Bidirectional2026.011.28——1.7323.0113.63—————————————34.5933.6834.5734.5435.3634.59———————————
AudioLDM-L-FullDatasets=AS + AC + FSD + BBC2023.051.2965.9165.951.9623.318.13——————————————————————————————
Audio-AlpacaPreference Tuning=RAFT2025.051.29——1.93—10.3772.23————————44.850.532.45——————————————————
EzAudio-XLSize=XL2026.041.29——3.6414.9811.380.314—————————————————————————————
EzAudio-XLData=> 5500, # para=874M, Step=50, Latency=39.782026.051.293.314.033.0114.9811.380.387—————————————————————————————
Make-an-Audio 2Data=3700, # para=160M, Step=100, Latency=15.872026.051.29——2.0316.239.950.345—————————————————————————————
AudioTurboData=≈ 2000, # para=1.1B, Step=102026.051.29———20.659.4——————————————————————————————
FlashAudioNFE=4, Reflow (R)=true, One-step distillation (D)=false2024.101.3——1.26——0.65278.2376.14—————————0.014—————————————————
AudioTurboData=≈ 2000, # para=1.1B, Step=52026.051.3———22.188.88——————————————————————————————
T2A-FeedbackPreference Tuning=DPO2025.051.31——2.64—11.3574————————49.580.572.57——————————————————
ControlAudio2025.101.31——1.5614.214.490.535—————————————————————————————
Make-An-Audio 2Prams=937M, DDIM steps=1002023.051.32——1.811.7511.160.64578.3175.63———————————————————————————
TangoTraining Dataset=AudioCaps, Retrieval Info=None, Retrieval Number=None2023.091.32——1.68—6.4529.28—————————————————————————————
Make-An-Audio 22024.061.32——1.8——0.64575.3173.44———————————————————————————
Make-An-Audio 2NFE=1002024.101.32——1.8——0.64575.5673.14—————————0.17—————————————————
FlashAudioNFE=1, Reflow (R)=true, One-step distillation (D)=true2024.101.32——1.49——0.64877.5675.43—————————0.0025—————————————————
ConsistencyTTAData=145, # para=559M, Step=1, Latency=3.032026.051.323.013.922.8322.218.920.328—————————————————————————————
AudioLDM 2-Large2024.061.33——1.75——0.65275.8673.75———————————————————————————
T2A-FeedbackPreference Tuning=RAFT2025.051.33——2.29—11.6673.1————————45.530.512.5——————————————————
ConsistencyTTANFE=12024.101.33——2.13——0.65573.1970.08—————————0.004—————————————————
CFMNFE=242024.101.34——1.22——0.6476.3274.75—————————0.054—————————————————
AuffusionPretrain=true, Duration(h)=145, Params=1.1B2024.011.36——1.6321.9910.5755.3—————————————————————————————
Auffusion-FullPretrain=true, Duration(h)=1990, Params=1.1B2024.011.36——1.7623.0810.2855.6—————————————————————————————
SoundCTMNFE=12024.101.36——1.95——0.65673.8771.16—————————0.01—————————————————
GenAU-LSize=L2026.041.36——2.0714.5810.430.3—————————————————————————————
SoundCTMData=145, # para=1.2B, Step=1, Latency=2.482026.051.363.13.732.5119.837.980.31—————————————————————————————
TANGODatasets=AC, Text=Yes, #Params=866M2023.041.3785.9480.361.5924.52———————————————————————————————
TANGOPrams=1.21B, DDIM steps=1002023.051.37——1.8726.138.230.6574.172.76———————————————————————————
TANGO2023.121.373.13.511.5723.788.30.51—————————————————————————————
Tango2024.061.37——1.87——0.6574.3572.86———————————————————————————
AudioLCMNFE=22024.101.37——1.67——0.61776.4873.92—————————0.003—————————————————
MMAudioGenerator Type=Bidirectional2026.011.37——5.5119.0613.78—————————————31.2132.9431.1331.1330.7828.17———————————
AudioXModel Type=Specialized Models2026.061.37——2.0313.0312.050.488—————————————————————————————
Siren + Plan-Critic + TreeBoNGenerator Type=Unidirectional, Decoding=TreeBoN2026.011.38——1.9718.2610.1—————————————34.04————————————————
EzAudio-LData=> 5500, # para=596M, Step=50, Latency=28.932026.051.38——2.2515.5911.350.391—————————————————————————————
AuffusionPretrain=false, Duration(h)=145, Params=1.1B2024.011.39——2.2524.4510.1454.7—————————————————————————————
AudioComposerScale=L2025.101.39——2.5219.25———————————————————————————————
Audio-OmniModel Type=Unified Models2026.061.39——245.439.940.498—————————————————————————————
UATModel Type=Unified Models2026.061.39——2.8714.4712.470.491—————————————————————————————
CoDiDatasets=AS + AC + FSD + BBC + SDN2023.051.466.8767.61.822.98.77——————————————————————————————
CoDi2023.121.4——1.8—8.77——————————————————————————————
FlashAudioNFE=1, Reflow (R)=true, One-step distillation (D)=false2024.101.4——2.24——0.6372.6770.84—————————0.0025—————————————————
AudioLDM22026.051.41—————47.6——————————————————21.842.29—————————
TangoPretrain=false, Duration(h)=145, Params=1.3B2024.011.43——1.7724.827.255—————————————————————————————
AudioGen-Large2024.061.43——1.74——0.601—————————————————————————————
AudioGen-Large2024.101.43——1.74——0.601———————————1.89—————————————————
UniFlow-Audio2026.051.43—————47.6——————————————————17.185.74—————————
Make-an-Audio 22025.051.44——1.82—10.0369.97————————42.050.532.33——————————————————
Audiobox TTA-RAGDataset=AudioCaps, Retrieval Info.=Audio, Database & Retrieval No.=AC -> 32025.111.44————8.437.37—————————————————————————————
CFG-onlyCFG scale w=7, NFE=4002025.091.44——1.7620.9413.460.54—————————————————————————————
MoG-HGw1=4.0, w2=3.3, w3=1.2, NFE=4002025.091.44——1.3818.8713.580.54—————————————————————————————
Next-DiTdual-encoder=true, fine-tuned on AudioCaps=true2024.061.45——1.03——0.6377.5376.52———————————————————————————
Auffusion-FullPretrain=false, Duration(h)=1990, Params=1.1B2024.011.46——1.6724.118.3951.6—————————————————————————————