阿里通义大模型公布空间音频生成模型OmniAudio，已开源

2025年6月3日，阿里通义大模型公布了“空间音频生成”模型OmniAudio。该模型由通义实验室语音团队打造，能直接从360°视频生成FOA空间音频。为解决数据稀缺问题，团队构建了Sphere360数据集，目前OmniAudio已在GitHub上架并开源。

阿里通义大模型公布OmniAudio模型
品玩6月3日讯，据APPSO报道，阿里通义大模型于当日公布了「空间音频生成」模型————OmniAudio。据通义团队介绍，OmniAudio能够直接从360°视频生成空间音频。

360V2SA任务与Sphere360数据集
为解决如何利用全景视频生成与之匹配的空间音频这一问题，通义实验室语音团队提出了360V2SA（360-degree Video to Spatial Audio）任务，旨在直接从360°视频生成FOA（First-order Ambisonics）音频。受限于现有的配对360°视频和空间音频数据极为稀缺，通义团队精心设计并构建了Sphere360数据集。该数据集包含大量高质量的360°视频和相应的FOA空间音频，是一个包含超过10.3万个真实世界视频片段的数据集，涵盖288种音频事件，总时长达到288小时。

OmniAudio开源情况
目前，OmniAudio已上架GitHub并同步公布了代码、数据开源仓库，以及相关技术论文。